研究人员在GPU上执行生成对抗网络，加速高分辨率宇宙模拟

卡内基美隆大学和加州大学研究人员，合作开发出了一个深度学习模型，可以提升宇宙模拟的分辨率，将低分辨率的模拟提升为高分辨率模拟，使得科学家一天之内，就可以创造出复杂的模拟宇宙，并能探索更多的可能性。

宇宙模拟对于人类了解宇宙是必要的方法，从宇宙的诞生到黑洞的形成，都需要经过模拟才能进一步探索未知，研究人员提到，宇宙研究用到大量的模拟，并且需要使用高分辨率，来解决小规模星系形成的物理问题，但解决这些问题的方法，面临巨大的运算挑战。这种巨大的动态范围运算，会带来大量的计算成本，因此通常需要牺牲分辨率或是尺寸，甚至必须要同时牺牲两者。

这个计算障碍攸关人类解开星系形成、暗物质和暗能量的奥秘，而现在研究人员建构了一个深度网络，来强化低分辨率的暗物质模拟，产生超级分辨率实作，透过在大宇宙体积中建构小规模星系的模型，达到高分辨率且大尺寸的需求。

该团队的生成对抗网络（GAN）可以将全尺寸低分辨率的模型，转换成为具有512倍粒子数的模型，研究人员提到，虽然生成对抗网络仅使用小空间区域的资料进行训练，但是该模型能够复制出，只有在大规模模拟才能看到的大型结构。

这个模型在德州高级计算中心的Frontera系统上，使用数百个GPU进行运算，但是新方法光使用一个GPU，就能带来巨大的运算加速，研究人员提到，旧的模拟方法单个处理核心上，需要花费3个月才能创造1.34亿个粒子的详细模拟，但由GPU加速的深度学习方法，只要36分钟就能完成，而对于1千倍大的模拟，过去旧方法在专用超级电脑上的模拟时间，需要耗时数个月，而运作在单一GPU上的新方法，却只要16个小时。

这种模拟方法可以帮助科学家进行更多种类的模拟，以预测宇宙在不同情境下的样子，研究人员提到，在过去的研究，可以在模拟宇宙中，发现新的物理学，而利用这项新技术，可以加速验证想法的速度。目前这项研究锁定的目标，是重力随时间移动暗物质的情况，超新星和黑洞的模拟还不在现在的研究范围中，该团队接下来会进一步扩展研究方法，以应用在其他的研究上。