《創(chuàng)世紀》里，神用7天創(chuàng)造了這個世界。而現(xiàn)在，你可能也有機會體驗這個過程，創(chuàng)造一個屬于自己的宇宙。

近日，Space Engine 0.990版本在Steam平臺發(fā)售，發(fā)售不到一天，近300測評全部為最高評價，截止6月20日已經(jīng)賣出了2萬份，同時Steam用戶好評率高達96%。之后，還得到了資深電腦游戲玩家、復旦大學中文系教授嚴峰的微博推薦。

這款游戲到底為何這么受玩家熱捧呢？

Space Engine是一款宇宙模擬游戲，它包含數(shù)千個真實的天體，包括來自HIP目錄的恒星，來自NGC和IC目錄的星系，幾個知名的星云，以及所有已知的系外行星和它們的恒星。它采用星表與程序化生成創(chuàng)造一個邊長為10Gpc的立方體宇宙，同時1:1還原了現(xiàn)實宇宙。

更讓人震驚的是，這款游戲是是由一個俄羅斯天文學家兼碼農(nóng)單槍匹馬開發(fā)出來的，從第一個版本開始，前后共花了九年的時間。

Vladimir Romanyuk

但如果說Space Engine只是計算機對宇宙的一種逼真展現(xiàn)，還停留在游戲?qū)用妫敲赐粋€月，另一群對天文和計算機有著狂熱情懷的組織，紐約天體物理學信息中心的研究人員們，則在試圖做一件更偉大的事——用AI重新創(chuàng)造一個宇宙。

使用神經(jīng)網(wǎng)絡(luò)模擬宇宙

6月24日，紐約天體物理學信息中心的研究人員在美國國家科學院院刊上發(fā)表了一項研究，AI創(chuàng)造了前所未見的模擬宇宙，效果逼真，然而AI如何完成這一模型的卻是個迷。

這個項目的工作目標是為了再現(xiàn)宇宙起源時的種種環(huán)境條件，但是神經(jīng)科學家們顯然也對自己創(chuàng)造的模擬器的工作原理十分感興趣。

“這就像你只是用貓和狗的圖片去訓練圖像識別軟件，但是它卻可以識別大象，”這項研究的作者之一，紐約天體物理學信息中心的理論天文學家Shirley Ho評論，“沒有人知道AI到底是怎么做到的，這是一個有待解決的大謎題?！?/p>

宇宙年齡和度量在數(shù)據(jù)上的巨大使得理解這些數(shù)據(jù)變得十分困難，計算機模型則是天文學家的一項有力工具。傳統(tǒng)的模型需要多臺計算機花費大量時間，因為天文學家們需要跑上千臺模擬器，調(diào)整各種參數(shù)去得到最逼真的模擬。

沒有錄入任何相關(guān)數(shù)據(jù)，模型竟然自己跑出了“暗物質(zhì)”

Shirley Ho和她的同事創(chuàng)造了一個深度學習網(wǎng)絡(luò)來為這項模擬過程加速。Deep Density Displacement Model，或者叫它D^3M，這個神經(jīng)網(wǎng)絡(luò)被設(shè)計為通過識別數(shù)據(jù)的共性去“學習”如何操作這些數(shù)據(jù)。

研究人員將8000個通過傳統(tǒng)高速計算機模擬的宇宙模型放入D^3M，等D^3M學習完這些模型的工作原理之后，研究人員就放入一個全新的前所未見的6億光年寬度的宇宙可視立方體模型。（真正可被觀測的宇宙大約是930億光年寬度）

就像處理前面訓練時的8000個數(shù)據(jù)集一樣，面對這個全新的宇宙仿真模型，D^3M神經(jīng)網(wǎng)絡(luò)依舊游刃有余。

這項模擬關(guān)注的是重力在宇宙形成時所起到的作用，然而令人驚喜的是，當研究人員調(diào)到一些前所未見的參數(shù)——比如，可視宇宙中的暗物質(zhì)數(shù)量——D^3M也能夠進行模擬。這讓研究者們目瞪口呆，因為他們從來沒有對這個模型錄入過任何暗物質(zhì)相關(guān)的變量。

AI或可取代傳統(tǒng)的數(shù)值模擬宇宙學

D^3M謎一樣的特性同時吸引著計算機科學家和宇宙學家。

“我們可以變成機器學習者的游樂場，去探究為什么這個模型擁有對未知事物如此之強的推算能力，為什么他能識別出大象而不只是貓和狗，”Shirley Ho說，“這是科學和深度學習之間的雙向街”。

這個模型也能為對宇宙起源感興趣的科學家省下時間。新的神經(jīng)網(wǎng)絡(luò)可以在30毫秒內(nèi)完成模擬，而對于那些沒有AI加持的模擬器，最快也需要幾分鐘。同時，它也將錯誤率從9.3%降到2.8%。（這些錯誤率是相對于黃金標準精度而言的，一個模型需要花好幾百個小時去做一次模擬）

研究人員現(xiàn)在計劃改變這個神經(jīng)網(wǎng)絡(luò)的其他參數(shù)，去測試其他例如流體力學、液體氣體的運動等影響宇宙形成的因素。

N-body模擬是預測宇宙結(jié)構(gòu)形成的傳統(tǒng)方法，但計算量大。而使用深層神經(jīng)網(wǎng)絡(luò)來預測宇宙結(jié)構(gòu)的形成則優(yōu)于傳統(tǒng)的解析近似法，并且精確的外推遠遠超出了它的訓練數(shù)據(jù)。文章表明，深度學習可以精確的近似宇宙模擬，因此可以利用深度學習生成復雜的宇宙學三維模擬。

而這也表明，深度學習將來或許可以替代傳統(tǒng)的數(shù)值模擬宇宙學。