主要观点总结
本文介绍了利用人工智能模拟宇宙的研究成果。文章中展示了两组动图，展示了计算机对宇宙形成的模拟，其中一组是由人工智能学习后生成的。研究人员使用神经网络模拟宇宙结构形成，合并树用于比较预测的结构形成历史和N体模拟。该模拟器具有极高的速度，可以在单个GPU上快速预测非线性位移和速度场。工作涉及宇宙学数据分析、模拟推理方法和场级分析，对算力提出了超高要求。模型结构、训练数据、损失函数、实验结果等方面也进行了详细介绍。
关键观点总结
关键观点1: 研究背景与目的
随着宇宙学数据分析推向更小尺度，利用高阶统计数据、实现场级分析和基于模拟的推理方案，为预测非线性宇宙结构形成提供了更准确的方法。——同时也对算力提出了超高要求。
关键观点2: AI模拟宇宙的方法
研究人员利用神经网络模拟宇宙结构形成，通过添加红移依赖性和对多个红移模拟快照的训练来扩展场级N体模拟器。模型结构采用U-Net/V-Net设计，使用PyTorch的map2map库实现和训练模型。
关键观点3: 模型训练与损失函数
研究人员从具有不同宇宙学参数的模拟中随机采样快照进行训练。损失函数包含粒子位移、欧拉密度、粒子速度和欧拉动量场的MSE损失。损失函数的设计鼓励各向同性，并使用数据增强来提高模型的准确性。
关键观点4: 实验结果与评估
通过构建模拟器输出和N体模拟真值的欧拉密度、和动量自功率谱和互功率谱来评估模拟器的准确性。实验结果表明，模拟器在训练过程中能够有效地进行插值，并且在较高红移时的性能明显更好。
文章预览
文章转载于新智元 下面的两组动图展示了计算机对于宇宙形成的模拟： 其中一行是根据物理定律计算的，而另一行是由人工智能学习后生成的。 你能看出来哪一个结果出自AI之手吗？ 这就是来自马克斯·普朗克研究所等机构发表的工作：利用宇宙学和红移依赖性对宇宙结构形成进行场级仿真。 AI终于开始模拟宇宙了！LeCun也在第一时间转发和推荐： 作者表示：我们现在可以使用人工智能在多个时间步上对大多数宇宙学特性生成宇宙的冷暗物质模拟。 并且，物理学是这个神经网络设计的核心，它可以看成是PINN（内嵌物理知识神经网络）的一种实现，其损失函数建模了时间相关的粒子坐标和速度之间的特定关系。 在这项工作中，研究人员提出了一个用于大规模结构的场级模拟器，捕获宇宙学依赖性和宇宙结构形成的时间演化。 模拟器将线性位移场
………………………………
