在TensorFlow里模拟宇宙!提升模拟计算速度,成本降低1000倍



N体宇宙模拟
简单来说,N体模拟的方法是为了解释宇宙演化中的非线性演化问题,科学家们提出的一套研究宇宙学的数值模拟方法。
FlowPM:一个TensorFlow的宇宙N体求解程序
随着几十年研究的更迭,N体模拟已是宇宙学界的主要研究工具。
# Generate Gaussian initial conditions for the matter distribution
initial_conditions = flowpm.linear_field(N, L, ipklin, batch_size=batch)
# Sample particles, i.e. generate the initial displacement and velocity
state = flowpm.lpt_init(initial_conditions, a0=a0)
# Evolve particles from initial state down to present time with N-Body simulations
final_state = flowpm.nbody(state, stages, N)
# Visualize final density field i.e interpolate the particles to a grid
Final_field = flowpm.cic_paint(tf.zeros_like(initial_conditions), final_state[0])
#Execute the graph!
with tf.Session() as sess:
ic, istate, fstate, sim = sess.run([initial_conditions, state, final_state, final_field])



采用Mesh TensorFlow分布式框架仿真
虽然原理看上去很简单,但实际的挑战还是很大的,毕竟宇宙真的很庞大!
连续演化数十亿个粒子,计算成本非常高。要估算所有粒子之间的重力,需要计算所有的粒子对,当计算规模扩展至N2,无法得出结果。但幸运的是,可以在FlowPM中使用一种叫做particle-mesh(PM)的方法,即把一个Ng规格的网格离散空间,使用高度优化的3D快速傅里叶变换计算整个空间的力,这将计算成本从N2g降到了Nglog(Ng)。 尽管算法进行了优化,但模拟数以万计的粒子也非常占用内存。结果是一个有效尺寸为1024x1024x1024的最小的模拟网格,都无法再单个GPU上显示。因此,我们需要一个模型并行框架来支撑大规模模拟,这也正是Mesh TensorFlow的用武之地。

展望
过去的三十多年,数值模拟是大型宇宙的研究基石。现在,有了FlowPM,研究即将迈出新的一步,将模拟器集成在包含深度学习组件的统一框架内,同时保持对潜在现象的准确物理理解。
相关报道:
文章来源:tensorflowblog
IEEE Spectrum
《科技纵览》
官方微信公众平台

