通过伊利诺伊州学生大学，伊利诺伊州学生大学和罗伯特布鲁纳教授开发了一种新的，更快速的银河系建模技术。该技术使用机器学习将计算时间从数千个计算时间剪裁到仅仅分钟。信用：Joyce Seay-Knoblauch
伊利诺伊大学(University of Illinois)开发的一种新的机器学习模拟系统为宇宙学家提供了一套扩展的星系模型——这是研究宇宙形成的更准确、更相关的见解所必需的第一步。
这项方法的可行性已在天文学，物理学和统计教授罗伯特布伦纳（Robert Brunner），他的本科生Harshil Kamdar和国家超级计算申请研究中心研究科学家Matthew Turk的两篇论文中占据了两篇论文。
宇宙学家目前使用两个模拟方法。第一个是一个n身体模拟，哪个模型如何暗物质重力下崩溃了。这些模拟，加上半解析模型，让天文学家模拟星系是如何形成的。第二个是流体动力学的n体模拟，它让天文学家直接模拟正常物质如何在引力坍塌下与暗物质相互作用形成星系;这种计算强度更大的方法直接显示了不可见的暗物质团块(称为晕)是如何影响恒星形成的。
“暗物质形成山丘和山谷以获得重力。“气体粒子”落入山谷“，”布鲁纳说。“他们通过我们称之为流体动力学的过程混合到最终形成星星。这是一个非常复杂的过程，类似于我们的大气如何工作。“
Brunner说，流体动力学，给宇宙学家提供了在N身体模拟中的最准确的信息。但是使用流体动力模拟存在缺点：它们占用了数百万小时的超级计算时间，这促使了一个往往的研究项目不变的账单。
“半年级模拟也占用了数千小时，”Kamdar说。“我们的机器学习方法只需几分钟。“
机器学习使用计算机算法来识别高维数据中的关系。伊利诺斯大学的研究小组开发了一种机器学习算法来绘制暗物质晕和它们在流体动力学星系模拟中的正常物质晕之间的关系。
机器学习通过近似研究人员想要研究的属性来减少计算时间，这种算法是在罕见的、数百万小时的流体动力学模拟中训练出来的。虽然暗物质和粒子的确切位置可能是错误的，但研究小组通过流体动力学n体模拟和半解析模型显示，预测的星系分布和它们的属性几乎是正确的。
“比喻将使用机器学习来预测课堂上的学生。我们不会让每个学生的得分对，但分配的分配是正确的，“布伦纳说。
第一篇论文发表在《皇家天文学会月刊》研究人员证明，机器学习能够重现星系的分布，类似于半解析模型产生的分布。在第二篇提交的论文(现在可以在ArXiv上找到)中，他们将机器学习方法与流体动力学模拟进行了比较，在粒子水平上绘制了星系，并再次发现机器学习范式表现良好。
他们未来的工作将包括使用Mere Memay的计算时间内使用机器学习的机器学习填充一个唯一只有银河系的模拟。然后可以使用新的机器学习框架来创建快速模拟地图星系与观察结果进行比较。
新方法持有对比较他们对模拟观测的测量师的承诺。这包括黑暗能量调查和即将到来的大型舞蹈调查望远镜，这些望远镜都将在伊利诺伊大学编目。
了下:航空航天+防御
