Las simulaciones de computadora del universo, como las que se han hecho con D3M, mejor conocido como el Deep Density Displacement Model, se han vuelto esenciales en la astrofísica teórica.

Con dicho modelo, los científicos pueden investigar cómo el cosmos pudo haber evolucionado bajo varios escenarios y para eso cambian parámetros, como la cantidad de materia oscura existente en el tiempo, etcétera.

Tales estudios requieren correr miles de simulaciones, lo que beneficia al trabajo de los científicos por tener modelos rápidamente creados, además de ser muy precisos.

«Podemos correr estas simulaciones en un par de milisegundos, mientras que otras simulaciones rápidas nos pueden llevar un par de minutos», dice Shirley Ho, investigadora del Instituto Central Flatiron para la Astrofísica Computacional en Nueva York.

«No solamente podemos hacer eso, sino que podemos ser mucho más precisos», concluyó.

La velocidad y precisión del proyecto D3M no fue realmente una sorpresa para los investigadores. Lo que los dejó perplejos es que el modelo D3M pudiese simular el universo bajo diversas condiciones.

«Es como enseñar reconocimiento de imágenes con muchas fotos de perros y gatos, pero entonces, el sistema encuentra que puede reconocer elefantes», dice Ho.

«Nadie sabe cómo es que el modelo hace esto y es un gran misterio que debe ser resuelto».

El D3M usa una red neuronal profunda con 8000 simulaciones pre-establecidas, tomando los modelos disponibles de mayor precisión.

La red neuronal se entrena con esos datos y se corren cálculos sobre esa información. Los investigadores entonces comparan los resultados con los esperados. Entonces se puede seguir entrenando a la red para que dé a la postre resultados más precisos.

Después del entrenamiento, los investigadores corrieron simulaciones en un universo en forma de caja, durante 600 millones de años luz, y compararon los resultados con los modelos lentos y rápidos.

D3M completó la simulación no en 300 horas o 2 minutos, sino que lo hizo en 30 milisegundos. Sin embargo, lo más notable del modelo D3M, es la posibilidad de manipular parámetros no encontrados en los datos de entrenamiento, lo que hace que la herramienta sea útil y flexible.