为了更好地理解宇宙，研究人员成功开发了首个基于深度学习的宇宙三维模拟。

Shirley Ho 是该研究的联合作者，同时也是纽约Flatiron研究所计算天体物理中心的组长及卡内基梅隆大学的兼职教授，他说：“我们可以在几毫秒内完成模拟，而其它‘高速‘模拟’则需要几分钟。不如此，我们的模拟也更加准确。”

该团队与来自于UC伯克利大学、日本Kavli宇宙物理和数学研究所、不列颠哥伦比亚大学，以及卡耐基梅隆大学的研究人员们合作开发出了一个名为“深密度位移模型”（Deep Density Displacement Model ，D3M）的模型。该模型可以准确模拟宇宙的外观以及某些参数调整后的宇宙外观。

借助于NVIDIA V100 GPU和cuDNN加速的PyTorch深度学习架构，该团队首先采用8,000种不同的模拟训练深度神经网络。

通过采用GPU推理，研究人员将生产1,000次模拟所需的时间，从115秒减少到了20秒。

训练完成之后，该团队对该模型做了测试，以一个慢速-高准确度的模型和一个‘高速’模型为对照组，将该模型与两个对照组进行对比，运行三个模型分别模拟一个边长为6亿光年的箱型宇宙模拟。测试结果显示，该模型的性能表现远超于两个对照组。两个对照组完成模拟的时间分别为数百小时和数百分钟，而该模型所用时间仅为30毫秒。

在准确度方面，该模型的相对误差为2.8%，远优于‘高速’模型的9.3%的误差。


图表显示了各种模型的全粒子分布（上部）和位移矢量（下部）的二维切片。

该模拟器将帮助天体物理学家们研究宇宙在各种条件下的演化。

研究人员们在论文中说明到：“D3M模型通过学习预测非线性区域中的宇宙结构，其预测结果的准确度远高于我们的2LPT基准模型。”

“借助于与训练数据不同的宇宙学参数，我们的模型可以很好地完成模拟测试。这说明，我们的深度学习模型可以推广至训练数据之外的一系列模拟当中了。”

研究人员们已经将源代码和训练数据发布在GitHub之上。