در حالیکه ستارهشناسان همچنان مشغول کشف اسرار جهان هستند، کار آنها مجموعهدادههایی را تولید میکند که بهطور فزایندهای وسیع و پیچیده میشوند. نوآوری اخیر این امکان را برای پژوهشگران فراهم میآورد که این حجم عظیم از اطلاعات را تنها با استفاده از یک لپتاپ معمولی و تنها چند ساعت زمان محاسباتی، پردازش کنند.
دکتر مارکو بونیچی، محقق فوق دکترا در مرکز اخترفیزیک واترلو در دانشگاه واترلو، رهبری یک همکاری بینالمللی را برای توسعهٔ ابزار Effort.jl بر عهده داشت. Effort.jl که مخفف عبارت “EFfective Field theORy surrogate” (جایگزین نظریهٔ میدان مؤثر) است، ابزاری جدید است که تکنیکهای عددی پیشرفته را با روشهای نوین پیشپردازش داده ترکیب میکند و در عین حفظ دقت ضروری در کیهانشناسی، سرعت محاسباتی قدرتمندی را ارائه میدهد. Effort.jl که بهطور خاص بهعنوان یک شبیهساز (Emulator) برای نظریهٔ میدان مؤثر ساختار بزرگمقیاس (EFTofLSS) طراحی شده است، به دانشمندان اجازه میدهد دادههای کیهانی پیچیده را کارآمدتر از همیشه تحلیل کنند.
ایدهٔ Effort.jl از تجربهٔ خود بونیچی در اجرای مدلهای محاسباتی متعدد در طول دوران حرفهایاش نشأت گرفت. هر بار که او یک پارامتر را تنظیم میکرد، این فرآیند مستلزم اجرای مجدد شبیهسازیهایی بود که ممکن بود چندین روز طول بکشد تا کامل شوند. این روال وقتگیر و پرهزینه، الهامبخش او شد تا راهی سریعتر و کارآمدتر برای مدیریت تحلیلهای کیهانشناسی توسعه دهد.
بونیچی میگوید:
با استفاده از Effort.jl، میتوانیم مجموعهدادههای پیچیده را بر روی مدلهایی مانند EFTofLSS که قبلاً به زمان و توان محاسباتی زیادی نیاز داشتند، اجرا کنیم. با وجود پروژههایی مانند DESI و اقلیدس که دانش ما از جهان را گسترش میدهند و مجموعهدادههای نجومی حتی بزرگتری را برای کاوش ایجاد میکنند، Effort.jl به پژوهشگران اجازه میدهد دادهها را سریعتر، ارزانتر و چندین بار تحلیل کنند و در عین حال تغییرات کوچکی را بر اساس تفاوتهای ظریف دادهها اعمال نمایند.
شبیهسازها چگونه پژوهشهای کیهانی را متحول میکنند؟!
شبیهسازها (Emulators) میانبرهای آموزشدیدهای هستند که رفتار شبیهسازیهای کامل و پرهزینه را تقلید میکنند، اما بسیار سریعتر اجرا میشوند و دانشمندان را قادر میسازند تا سناریوهای کیهانی متعددی را بدون انتظار ساعتها برای هر یک، آزمایش کنند. شبیهسازها همچنین امکان استفاده از تکنیکهای پیشرفته مانند نمونهبرداری مبتنی بر گرادیان (gradient-based sampling) را برای کاوش کارآمد در مدلهای پیچیده فراهم میکنند.
بونیچی گفت:
ما توانستیم با همسو کردن پیشبینیهای Effort.jl با پیشبینیهای مدل EFTofLSS، صحت آنها را تأیید کنیم. حاشیهٔ خطا کم بود و به ما نشان داد که محاسبات Effort.jl قوی هستند. Effort.jl همچنین میتواند ناهنجاریهای رصدی مانند اعوجاجها (distortions) در دادهها را مدیریت کند و بهراحتی میتواند با نیازهای پژوهشگر تطبیق داده شود.
به همان اندازه که این ابزار هوشمند است، جایگزین دانش فیزیک کیهانشناسانی که دادهها را وارد و تفسیر میکنند، نخواهد شد. در حالیکه این ابزار میتواند پیشبینیهایی انجام دهد، دانش پژوهشگران و پارامترهایی که آنها تنظیم میکنند، آن را واقعاً قدرتمند میسازد.
Effort.jl با نگاه به آینده، آمادهٔ تحلیل مجموعهدادههای کیهانشناسی نسل بعدی و حمایت از تحلیلهای مشترک با ابزارهای مکمل است. کاربردهای احتمالی آتی شامل پیشبینی آبوهوا و اقلیم هستند.
منبع: Scitechdaily