基于AI的仿真器可实现数十亿倍的仿真速度

对于大型仿真而言，即使是两倍的提速也很重要，这样可以节省经常预订的机器上的大量时间(以及精力和金钱)。现在，来自斯坦福大学和牛津大学的研究人员团队在不牺牲准确性的前提下，运用深度学习来加快模拟速度，速度提高了数十亿倍。

大多数模拟都是从头开始，一次建立一个系统，例如一个细胞，一个气候或一个星系，然后让它们根据一组规则和其他输入进行操作，以产生结果并回答问题。仿真器允许研究人员将一系列输入和相应的输出馈入机器学习模型，从而帮助加速此过程，此后，仿真器将尝试预测给定输入集的输出。但是，为仿真器生成训练数据和优化的体系结构意味着很多次运行那些昂贵的仿真，从而稀释了计算优势。

这些研究人员的方法采用了不同的途径：称为“深度仿真器网络搜索”(DENSE)的工具。DENSE在输入和输出之间添加随机输入，通过每次迭代测试添加的图层是否提高了性能并快速训练了模型。DENSE仿真器还可以解决反问题，在其中可以确定用于输出预测的最佳参数。DENSE基于斯坦福大学的Melody Guan共同开发的方法，她告诉《科学》杂志，她很高兴看到自己的工作被用于科学发现。

研究人员在论文摘要中写道：“该方法在10个科学案例中成功地使模拟加速了多达20亿次，其中包括：天体物理学，气候科学，生物地球化学，高能密度物理学，聚变能和地震学。相同的超级架构，算法和超参数。”

更令人印象深刻的是，最终的仿真器(在GPU上运行最快)达到了极高的精度水平，在天文学仿真中达到了99.9%的一致性。研究人员写道：“与通常用于建筑仿真器的其他非深度学习技术相比，DENSE发现和训练的模型在所有测试案例中均取得了最佳结果，并且在大多数情况下均取得了可观的收益。”