对于极其复杂的自然现象，例如亚原子粒子如何相互作用，以及大气雾如何影响气候等等，即使利用人类拥有的最高性能超级计算机，建模也可能要花费几个小时。然而，基于机器学习的人工智能仿真器则跳过了传统的繁琐，借助完整模拟的输入和输出，能寻找模式并学习猜测新输入将对模拟产生什么影响，而无论要建模的是原子、大气还是星系，都可以实现大幅加速。
牛津大学物理学家穆罕默德·卡西姆领导了此次研究，该技术被称为深度仿真器网络搜索(DENSE)，依赖于斯坦福大学计算机科学家开发的一种通用神经结构搜索。它在网络的输入和输出之间随机插入计算层，用有限的数据测试和训练生成的线路。如果添加的计算层可以提高性能，那么它还可进一步被应用在未来仿真器中，通过重复这个过程不断改进。
在展示中，研究人员使用DENSE技术开发了10个仿真器，分别用于物理、天文、地质和气候科学领域。DENSE仿真器表现极其出色——速度比其他模拟器快10万到20亿倍。
这些仿真器非常精确，其中天文仿真器的结果与全模拟的一致性超过99.9%，在这10次模拟中，神经网络仿真器比传统仿真器要好得多。
劳伦斯·利弗莫尔国家实验室进行气候模拟的科学家唐纳德·卢卡斯并没有参与研究，但他表示，神经网络仿真器的自动创建要比他们科学家团队设计和训练的模拟器好得多，还可以帮助科学家在实验设施中充分利用自己的时间，未来其很可能将极大地改变科学进程。(记者张梦然)
