曾经需要超级计算机的宇宙模拟，现在可以在笔记本电脑上运行

如果这让你感到眩晕，并且你想知道人们如何理解甚至“看到”如此巨大的东西，答案是：这并不容易。科学家们将宇宙物理学与来自天文仪器的数据结合起来，并建立理论模型，比如EFTofLSS（大尺度结构有效场论）。这些模型通过观察数据进行训练，能够从统计上描述“宇宙网”，并允许估计其关键参数。

然而，像EFTofLSS这样的模型需要大量的时间和计算资源。由于我们可用的大型天文数据集呈指数级增长，我们需要在保持精度的同时减轻分析负担。这就是仿真器存在的原因：它们“模仿”模型如何响应，但运行速度要快得多。

既然这是一种“捷径”，那么失去精度有什么风险？一个国际团队，包括意大利国家天体物理研究所（INAF）、帕尔马大学（意大利）和滑铁卢大学（加拿大）等机构，在《宇宙学和天体粒子物理学杂志》（JCAP）上发表了一项研究，测试了他们设计的仿真器Effort.jl。研究表明，Effort.jl在本质上提供与它所模仿的模型相同的正确性——有时甚至更精细的细节——同时能在标准笔记本电脑上运行分钟级，而不是超级计算机。

滑铁卢大学研究员、该研究的第一作者Marco Bonici解释说：“想象一下，想在一杯水的微观成分层面，单个原子甚至更小的尺度上研究其内容：理论上你可以做到。但如果我们想详细描述水移动时会发生什么，所需计算的爆炸性增长使其在实践中不可能。”“然而，你可以在微观水平上编码某些属性，并看到它们在宏观水平上的影响，即玻璃杯中流体的运动。这就是有效场论所做的，即EFTofLSS这样的模型，在我的例子中，水代表在非常大尺度上的宇宙，微观成分代表小尺度的物理过程。”

理论模型从统计上解释了产生收集数据的基础结构：天文观测数据被输入到代码中，计算出“预测”。但这需要时间和大量的计算。鉴于当今的数据量——以及刚刚开始或即将进行的巡天项目（如DESI，它已经发布了第一批数据，以及Euclid）的预期数据——每次详尽地执行这种做法是不现实的。

Bonici继续说道：“这就是为什么我们现在转向像我们这样的仿真器，它们可以大幅减少时间和资源。”仿真器本质上模仿模型的行为：其核心是一个神经网络，它学习将输入参数与模型已经计算的预测关联起来。网络在模型的输出上进行训练，训练后可以泛化到未见过的参数组合。仿真器本身并不“理解”物理：它非常了解理论模型的响应，并能预测对于新输入它将输出什么。Effort.jl的原创性在于，它通过将我们已经掌握的关于参数变化时预测如何变化的知识融入算法，进一步减少了训练阶段：而不是让网络“重新学习”这些知识，它从一开始就使用它们。Effort.jl还使用梯度——即，如果你微调一个参数一小部分，预测“变化多少以及朝哪个方向”变化——这是另一个帮助仿真器从更少的例子中学习的要素，减少了计算需求并允许它在较小的机器上运行。

像这样的工具需要广泛的验证：如果仿真器不懂物理，我们怎么能确定它的捷径会产生正确答案（即模型会给出的相同答案）？新发表的研究正好回答了这个问题，表明Effort.jl的准确性——在模拟数据和真实数据上——与模型高度一致。Bonici总结道：“在某些情况下，使用模型时你可能需要削减部分分析以加速处理，而使用Effort.jl，我们能够包含那些缺失的部分。”因此，Effort.jl成为分析即将发布的DESI和Euclid等实验数据的宝贵盟友，这些实验有望大大加深我们对大尺度宇宙的认识。

Marco Bonici、Guido D'Amico、Julien Bel和Carmelita Carbone的论文“Effort.jl：一个快速且可微分的宇宙大尺度结构有效场论仿真器”可在《宇宙学和天体粒子物理学杂志》（JCAP）上获取。