自艾薩克•牛頓時代以來,預測三個天體如何相互繞轉執行所需的令人費解的計算就一直困擾著物理學家。現在人工智慧已經表明,它可以在極短時間內解決這個問題。
牛頓是17世紀第一個提出這個問題的人,但事實證明,找到一個簡單的方法來解決這個問題非常困難。行星、恆星和衛星等三個天體之間的引力相互作用導致了一個混沌系統,它對每個天體的起始位置高度敏感。
目前解決這些問題的方法是使用軟體計算,這些軟體可能需要數週甚至數月才能完成計算。因此,研究人員決定使用人工神經網路(一種可以粗略模擬大腦工作方式的人工智慧的模式),看看它是否能做得更好。
他們建立的演算法提供了精確的解決方案,比最先進的軟體程式布魯特斯快1億倍。該論文作者劍橋大學的生物統計學家克里斯·弗利說:“這對於天文學家試圖了解星團的行為和宇宙更廣泛的演化等情況來說,可能是無價的。”這篇論文發表在arXiv預印本伺服器上,目前還沒有得到同行的評論。
“這個神經網路,如果做得好的話,應該能夠在前所未有的時間框架內為我們提供解決方案。因此,我們可以開始考慮在更深層次的問題上取得進展,比如引力波是如何形成的。”該論文作者說。
神經網路在進行預測之前,必須通過輸入資料進行訓練。因此,研究人員不得不使用解決三體問題的軟體程式布魯特斯生成9900個簡化的三體場景。
然後他們測試了神經網路對5000個未知場景的預測能力,發現其結果與布魯特斯的結果非常吻合。然而,這個基於人工智慧的程式只在幾秒鐘內就解決了這些問題,而布魯特斯要花費將近2分鐘的時間。
“像布魯特斯這樣的程式之所以如此緩慢,是因為它們用暴力演算法解決了這個問題,它對天體軌跡的每一個微小步驟都進行了計算。”弗利說,“另一方面,神經網路只是簡單地觀察這些計算產生的運動,並推斷出一種模式,可以幫助預測未來的情景將如何發展。”
不過這給擴大這個系統帶來了一個問題。當前的演算法是一個概念證明,並從簡化的場景中學習,但在更復雜的場景中訓練,資料量將大幅增加。而這些資料需要由布魯特斯生成,這可能非常耗時和昂貴。
神經網路還有一些問題需要解決。它只能執行一段設定的時間,不可能預先知道某個特定場景需要多長時間才能完成,因此演算法可能在問題解決之前就會耗盡能量。