Mentre cosmologi e astrofisici scavano più a fondo nei recessi più oscuri dell'universo, il loro bisogno di strumenti di osservazione e di calcolo sempre più potenti si è ampliato in modo esponenziale. Da strutture come lo strumento spettroscopico per l'energia oscura a supercomputer come il sistema Cori del Lawrence Berkeley National Laboratory presso la struttura National Energy Research Scientific Computing (NERSC), sono alla ricerca di raccogliere, simulare, e analizzare quantità crescenti di dati che possono aiutare a spiegare la natura delle cose che non possiamo vedere, così come quelli che possiamo.

A tal fine, la lente gravitazionale è uno degli strumenti più promettenti a disposizione degli scienziati per estrarre queste informazioni dando loro la capacità di sondare sia la geometria dell'universo che la crescita della struttura cosmica. Le lenti gravitazionali distorcono le immagini di galassie lontane in un modo determinato dalla quantità di materia nella linea di vista in una certa direzione, e fornisce un modo di guardare una mappa bidimensionale della materia oscura, secondo Deborah Bard, Group Lead per il Data Science Engagement Group presso il National Energy Research Scientific Computing Center (NERSC) del Berkeley Lab.

"La lente gravitazionale è uno dei modi migliori che abbiamo per studiare la materia oscura, che è importante perché ci dice molto sulla struttura dell'universo, " ha detto. "La maggior parte della materia nell'universo è materia oscura, che non possiamo vedere direttamente, quindi dobbiamo usare metodi indiretti per studiare come è distribuito."

Ma man mano che i set di dati sperimentali e teorici crescono, insieme alle simulazioni necessarie per immaginare e analizzare questi dati, è emersa una nuova sfida:queste simulazioni sono sempre più costose, anche proibitive, dal punto di vista computazionale. Quindi i cosmologi computazionali ricorrono spesso a modelli surrogati computazionalmente più economici, che emulano costose simulazioni. Più recentemente, però, "i progressi nei modelli generativi profondi basati su reti neurali hanno aperto la possibilità di costruire modelli surrogati più robusti e meno ingegnerizzati per molti tipi di simulatori, compresi quelli in cosmologia, " disse Mustafa Mustafa, un ingegnere di machine learning presso NERSC e autore principale di un nuovo studio che descrive uno di questi approcci sviluppato da una collaborazione che coinvolge Berkeley Lab, Ricerca Google, e l'Università di KwaZulu-Natal.

Si stanno studiando una varietà di modelli generativi profondi per applicazioni scientifiche, ma il team guidato da Berkeley Lab sta adottando una tattica unica:le reti generative avversarie (GAN). In un articolo pubblicato il 6 maggio, 2019 in Astrofisica Computazionale e Cosmologia , discutono della loro nuova rete di deep learning, soprannominato CosmoGAN, e la sua capacità di creare alta fedeltà, mappe di convergenza delle lenti gravitazionali deboli.

"Una mappa di convergenza è effettivamente una mappa 2-D della lente gravitazionale che vediamo nel cielo lungo la linea di vista, " disse Bardo, un coautore sul Astrofisica Computazionale e Cosmologia carta. "Se hai un picco in una mappa di convergenza che corrisponde a un picco in una grande quantità di materia lungo la linea di vista, ciò significa che c'è un'enorme quantità di materia oscura in quella direzione".

I vantaggi dei GAN

Perché optare per i GAN invece di altri tipi di modelli generativi? Prestazioni e precisione, secondo Mustafà.

"Dal punto di vista dell'apprendimento profondo, ci sono altri modi per imparare a generare mappe di convergenza dalle immagini, ma quando abbiamo iniziato questo progetto i GAN sembravano produrre immagini ad altissima risoluzione rispetto ai metodi concorrenti, pur essendo efficiente dal punto di vista computazionale e delle dimensioni della rete neurale, " Egli ha detto.

"Cercavamo due cose:essere precisi e veloci, " ha aggiunto il co-autore Zaria Lukic, uno scienziato ricercatore nel Centro di cosmologia computazionale del Berkeley Lab. "I GAN offrono la speranza di essere accurati quasi quanto le simulazioni fisiche complete".

Il team di ricerca è particolarmente interessato alla costruzione di un modello surrogato che ridurrebbe il costo computazionale dell'esecuzione di queste simulazioni. Nel Astrofisica Computazionale e Cosmologia carta, delineano una serie di vantaggi dei GAN nello studio di grandi simulazioni fisiche.

"I GAN sono noti per essere molto instabili durante l'allenamento, specialmente quando raggiungi la fine dell'addestramento e le immagini iniziano a sembrare belle, è allora che gli aggiornamenti alla rete possono essere davvero caotici, " ha detto Mustafa. "Ma poiché abbiamo le statistiche riassuntive che usiamo in cosmologia, siamo stati in grado di valutare i GAN in ogni fase della formazione, che ci ha aiutato a determinare il generatore che pensavamo fosse il migliore. Questa procedura non viene solitamente utilizzata nell'addestramento dei GAN."

Utilizzando la rete di generatori CosmoGAN, il team è stato in grado di produrre mappe di convergenza descritte, con un'elevata confidenza statistica, dalle stesse statistiche riassuntive delle mappe completamente simulate. Questo altissimo livello di accordo tra mappe di convergenza che sono statisticamente indistinguibili dalle mappe prodotte da modelli generativi basati sulla fisica offre un passo importante verso la costruzione di emulatori da reti neurali profonde.

"L'enorme vantaggio qui era che il problema che stavamo affrontando era un problema di fisica a cui erano associate metriche, " ha detto Bard. "Ma con il nostro approccio, ci sono metriche effettive che ti consentono di quantificare quanto sia accurato il tuo GAN. Per me questo è ciò che è veramente eccitante in questo:come questi tipi di problemi di fisica possono influenzare i metodi di apprendimento automatico.

In definitiva, tali approcci potrebbero trasformare la scienza che attualmente si basa su simulazioni fisiche dettagliate che richiedono miliardi di ore di calcolo e occupano petabyte di spazio su disco, ma c'è ancora molto lavoro da fare. I dati cosmologici (e i dati scientifici in generale) possono richiedere misurazioni ad altissima risoluzione, come le immagini del telescopio a cielo intero.

"Le immagini 2-D considerate per questo progetto sono preziose, ma le simulazioni fisiche reali sono 3-D e possono variare nel tempo e irregolari, producendo un ricco, struttura delle funzionalità simile al web, " disse Wahid Bhmiji, un architetto di big data nel gruppo Servizi di dati e analisi del NERSC e coautore del Astrofisica Computazionale e Cosmologia carta. "Inoltre, l'approccio deve essere esteso per esplorare nuovi universi virtuali piuttosto che quelli che sono già stati simulati, creando infine un CosmoGAN controllabile."

"L'idea di realizzare GAN controllabili è essenzialmente il Santo Graal dell'intero problema su cui stiamo lavorando:per essere in grado di emulare veramente i simulatori fisici abbiamo bisogno di costruire modelli surrogati basati su GAN controllabili, Mustafa ha aggiunto. "In questo momento stiamo cercando di capire come stabilizzare le dinamiche di allenamento, visti tutti i progressi nel campo che sono avvenuti negli ultimi due anni. Stabilizzare la formazione è estremamente importante per essere effettivamente in grado di fare ciò che vogliamo fare dopo".