科學家們首次用人工智慧（AI）去創建複雜的宇宙三維模型，我們叫它深密度位移模型，簡稱D3M。它非常地精確，而且快到設計模型的天文物理學家都不知道它是怎麼做到的。
D3M的主要工作是精確地模擬引力在數億年間塑造宇宙的方式。每次模擬只花30ms，而用其他模型模擬要花幾分鐘的時間。
更有意思的是，D3M從團隊輸入的8000個訓練模型中學習——它極大地推廣和優化了這些模型，還能夠調整一些之前從未訓練過的參數。
「D3M和用大量貓狗的圖片訓練圖像識別軟體類似，不過之後它還能識別大象，」熨斗研究院和卡內基梅隆大學的天文物理學家雪莉說到。
「沒人知道它是如何做到的，而這也是一個有待揭開的謎團。」
觀察我們周圍的宇宙空間，我們能得到有關宇宙進化的大量信息，但是畢竟能看見的有限。因此模擬才會如此方便。
通過模擬得出了一些要麼符合，要麼不符合我們觀察的結果，科學家們能夠計算出最有可能生成我們所生活宇宙的情景。
但是我們錯綜複雜的宇宙使得這些模型計算起來相當費力，這也就意味著運行起來比較費時。為了獲取有用的統計數據，一項研究就需要數千次模擬。
這時由計算天體物理學家團隊所開發的D3M就有用武之地了。它將計算引力在（宇宙的年齡）138億年間，是如何在太空中移動數十億顆粒子的。
我們如果不依靠AI驅動的軟體去模擬這種粒子運動，計算300個小時才得到一個較高精度的模型；當然幾分鐘內也能夠計算完成，不過精確度就會大打折扣了。
為了攻克這一難題，研究團隊決定建立一個神經網絡去進行模擬實驗，並且用一個迄今最高精度的模型產生了8000個不同的模擬數據，用來訓練D3M。
一旦對D3M的訓練完成，並且AI能準確運行，就可以準備試行D3M了。研究人員要求它模擬出一個每邊大概代表6億光年的盒子裡的宇宙。
為了評判它的模擬效果，團隊同時用幾分鐘就得到結果的（快速）方法，以及要花幾百個小時的奇慢方法運行同樣的模型。不出所料，慢的方法得到的是最精確的結果，和它比起來用快速方法會有9.3%的相對誤差。
D3M的出現，解救之前的所有快速算法於水火。它只花30毫秒就運行得到了一個模型，並且和這個慢但十分精確的模型相比只有2.8%的相對誤差。
更精彩的是，雖然它只是用一個單參數集訓練的，這一神經網絡卻能基於其他未經訓練的參數，來預測這個的模擬宇宙的結構——比如說，如果暗物質的數量是不同的。
這意味著AI在應對一系列模擬任務時更為靈活——不過，團隊還是希望在計算模型前，搞清楚AI到底能夠計算得多準確。
霍說：「我們這裡對於機器學習者來說，就相當於一個遊樂場，他們可以知道為什麼D3M的泛化能力這麼好，為什麼學習後的它識別的範圍能外推到大象而不僅僅是貓和狗」。
「這是一條介於科學和深度學習的雙行道。」
這一研究已被發表在美國國家科學院院刊（即PNAS）。
