El 'problema de los tres cuerpos' dejó perplejos a los astrónomos desde que Newton lo formuló. AI acaba de descifrarlo en menos de un segundo.

Solo tomó fracciones de segundo.


(Imagen: © Shutterstock)

Los cálculos alucinantes necesarios para predecir cómo tres cuerpos celestes orbitan entre sí han desconcertado a los físicos desde la época de Sir Isaac Newton . Ahora la inteligencia artificial (IA) ha demostrado que puede resolver el problema en una fracción del tiempo requerido por los enfoques anteriores.

Newton fue el primero en formular el problema en el siglo XVII, pero encontrar una manera simple de resolverlo ha resultado increíblemente difícil. Las interacciones gravitacionales entre tres objetos celestes como planetas, estrellas y lunas dan como resultado un sistema caótico, uno que es complejo y altamente sensible a las posiciones iniciales de cada cuerpo.

Los enfoques actuales para resolver estos problemas implican el uso de software que puede llevar semanas o incluso meses completar los cálculos. Entonces, los investigadores decidieron ver si una red neuronal, un tipo de patrón que reconoce la IA que imita libremente el funcionamiento del cerebro, podría funcionar mejor.

El algoritmo que construyeron proporcionó soluciones precisas hasta 100 millones de veces más rápido que el programa de software más avanzado, conocido como Brutus. Eso podría resultar invaluable para los astrónomos que intentan comprender cosas como el comportamiento de los cúmulos estelares y la evolución más amplia del universo, dijo Chris Foley, bioestadista de la Universidad de Cambridge y coautor de un artículo para la base de datos arXiv , que todavía para ser revisado por pares.

"Esta red neuronal, si hace un buen trabajo, debería ser capaz de proporcionarnos soluciones en un marco de tiempo sin precedentes", dijo a Live Science. "Entonces podemos comenzar a pensar en progresar con preguntas mucho más profundas, como cómo se forman las ondas gravitacionales ".

Las redes neuronales se deben entrenar con datos antes de que puedan hacer predicciones. Entonces, los investigadores tuvieron que generar 9,900 escenarios simplificados de tres cuerpos usando Brutus, el líder actual cuando se trata de resolver problemas de tres cuerpos.

Luego probaron qué tan bien la red neuronal podía predecir la evolución de 5,000 escenarios invisibles, y descubrieron que sus resultados coincidían con los de Brutus. Sin embargo, el programa basado en IA resolvió los problemas en un promedio de solo una fracción de segundo, en comparación con casi 2 minutos.

La razón por la cual los programas como Brutus son tan lentos es que resuelven el problema por la fuerza bruta, dijo Foley, realizando cálculos para cada pequeño paso de las trayectorias de los cuerpos celestes. La red neuronal, por otro lado, simplemente mira los movimientos que producen esos cálculos y deduce un patrón que puede ayudar a predecir cómo se desarrollarán los escenarios futuros.

Sin embargo, eso presenta un problema para ampliar el sistema, dijo Foley. El algoritmo actual es una prueba de concepto y se aprende de escenarios simplificados, pero entrenar en los más complejos o incluso aumentar el número de cuerpos involucrados a cuatro de cinco primero requiere que usted genere los datos en Brutus, lo que puede ser extremadamente temporal. Consumidor y caro.

"Existe una interacción entre nuestra capacidad de entrenar una red neuronal de rendimiento fantástico y nuestra capacidad de derivar datos con los que entrenarla", dijo. "Entonces hay un cuello de botella allí".

Una forma de evitar ese problema sería que los investigadores creen un depósito común de datos producidos utilizando programas como Brutus. Pero primero eso requeriría la creación de protocolos estándar para garantizar que los datos sean todos de un estándar y formato consistentes, dijo Foley.

Todavía hay algunos problemas que resolver con la red neuronal también, dijo Foley. Puede ejecutarse solo por un tiempo establecido, pero no es posible saber de antemano cuánto tiempo llevará completar un escenario en particular, por lo que el algoritmo puede quedarse sin energía antes de que se resuelva el problema.

Sin embargo, los investigadores no prevén que la red neuronal funcione aisladamente, dijo Foley. Piensan que la mejor solución sería que un programa como Brutus haga la mayor parte del trabajo preliminar con la red neuronal, asumiendo solo las partes de la simulación que involucran cálculos más complejos que empantanan el software.

"Creas este híbrido", dijo Foley. "Cada vez que Brutus se atasca, empleas la red neuronal y la empujas hacia adelante. Y luego evalúas si Brutus se ha despegado o no".

Comentarios

Entradas populares