即使是最快的超級計算機，對極其復雜的自然現象（例如亞原子粒子如何相互作用或大氣霧如何影響氣候）進行建模也可能要花費數小時。仿真器是可以快速逼近這些詳細模擬的算法，它們提供了捷徑。現在，在線發布的工作展示了人工智能（AI）如何輕松地生成精確的仿真器，該仿真器可以加速數十億次跨所有科學領域的仿真。

“這很重要，”在勞倫斯·利弗莫爾國家實驗室（Lawrence Livermore National Laboratory）進行氣候模擬的唐納德·盧卡斯（Donald Lucas）說，他沒有參與這項工作。他說，新系統會自動創建比其團隊設計和訓練的模擬器更好，更快的模擬器，通常是手工完成的。新的仿真器可用于改進它們模仿的模型，并幫助科學家在實驗設施中充分利用自己的時間。盧卡斯說，如果這項工作能夠得到同行的評審，它將“極大地改變事情。”

一個典型的計算機模擬可能會在每個時間步長上計算物理力如何影響原子，云，星系，無論所建模的是什么。基于一種稱為機器學習的AI形式的仿真器跳過了繁瑣的自然再現。借助完整模擬的輸入和輸出，仿真器尋找模式并學習猜測新輸入將對模擬產生什么影響。但是為他們創建訓練數據需要多次運行完整的仿真，這正是模擬器要避免的事情。

新的仿真器基于神經網絡（受大腦布線啟發的機器學習系統），并且所需的培訓少得多。神經網絡由簡單的計算元素組成，這些元素鏈接到特定于不同任務的電路中。通常，連接強度是通過培訓來發展的。但是，使用稱為神經體系結構搜索的技術，可以確定給定任務的數據效率最高的接線方式。

該技術稱為深度仿真器網絡搜索（DENSE），它依賴于斯坦福大學計算機科學家Melody Guan共同開發的通用神經體系結構搜索。它在網絡的輸入和輸出之間隨機插入計算層，并使用有限的數據測試和訓練所得的布線。如果增加了一層可以提高性能，則將來的版本中很可能包含它。重復該過程可以改善仿真器。關說，看到她的作品使用“走向科學發現”是“令人興奮的”。牛津大學的物理學家穆罕默德·卡西姆（Muhammad Kasim）領導了這項研究，該研究于1月份發布在預打印服務器arXiv上，他說，他的團隊建立在關的研究之上，因為它平衡了準確性和效率。

研究人員使用DENSE開發了用于10個模擬的仿真器-物理，天文學，地質學和氣候科學。例如，一種模擬方法模擬了煙灰和其他大氣氣溶膠反射和吸收陽光的方式，從而影響了全球氣候。運行可能需要一千個小時的計算機時間，因此，牛津大學大氣物理學家，研究合著者鄧肯·沃森·帕里斯（Duncan Watson-Parris）有時會使用機器學習模擬器。但是，他說，設置起來很棘手，而且無論您提供多少數據，它都無法產生高分辨率輸出。

相比之下，盡管缺少數據，但DENSE創建的仿真器仍然表現出色。當它們使用專門的圖形處理芯片進行渦輪增壓時，它們的速度比其仿真快約100，000至20億倍。加速器對于仿真器而言并不罕見，但它們非常準確：在一個比較中，天文學仿真器的結果與完整仿真的結果相差99.9%以上，而在10個仿真中，神經網絡仿真器要好得多比傳統的 Kasim說，他認為DENSE每次模擬都需要成千上萬的訓練示例，才能達到這些精確度。在大多數情況下，它使用了數千個，而在噴霧劑情況下，僅使用了幾十個。