De sinnesböjande beräkningarna som krävs för att förutsäga hur tre himmelskroppar kretsar runt varandra har förbryllade fysiker sedan Sir Isaac Newtons tid. Nu har artificiell intelligens (A.I.) visat att det kan lösa problemet på en bråkdel av den tid som krävs av tidigare metoder.
Newton var den första som formulerade problemet på 1600-talet, men att hitta ett enkelt sätt att lösa det har visat sig vara oerhört svårt. Gravitationsinteraktioner mellan tre himmelobjekt som planeter, stjärnor och månar resulterar i ett kaotiskt system - ett som är komplicerat och mycket känsligt för varje kropps utgångspositioner.
Nuvarande metoder för att lösa dessa problem är att använda programvara som kan ta veckor eller till och med månader att slutföra beräkningar. Så forskare beslutade att se om ett neuralt nätverk - en typ av mönster som känner igen A.I. som efterliknar löst hur hjärnan fungerar - skulle kunna göra bättre.
Algoritmen de byggde gav exakta lösningar upp till 100 miljoner gånger snabbare än det mest avancerade programvaran, känd som Brutus. Det kan visa sig vara ovärderligt för astronomer som försöker förstå saker som stjärnklyngers beteende och universums bredare utveckling, säger Chris Foley, en biostatiker vid University of Cambridge och medförfattare till en uppsats till databasen arXiv, som ännu inte att vara peer-review.
"Detta neurala nät, om det gör ett bra jobb, borde kunna ge oss lösningar i en aldrig tidigare skådad tidsram," sa han till Live Science. "Så vi kan börja tänka på att göra framsteg med mycket djupare frågor, som hur gravitationsvågor bildas."
Neurala nätverk måste utbildas genom att matas data innan de kan göra förutsägelser. Så forskarna var tvungna att generera 9 900 förenklade scener med tre kroppar med Brutus, den nuvarande ledaren när det gäller att lösa problem med tre kroppar.
De testade sedan hur väl nervnätet kunde förutsäga utvecklingen av 5 000 osynliga scenarier och fann att dess resultat stämde nära överens med Brutus. Det A.I.-baserade programmet löste emellertid problemen i genomsnitt bara en bråkdel av en sekund, jämfört med nästan 2 minuter.
Anledningen till att program som Brutus är så långsam är att de löser problemet med brute force, säger Foley, och genomför beräkningar för varje litet steg i himmelkroppens banor. Neuralnätet å andra sidan ser helt enkelt på rörelserna som beräkningarna producerar och drar ett mönster som kan hjälpa till att förutsäga hur framtida scenarier kommer att spela ut.
Det ger emellertid ett problem för att skala upp systemet, säger Foley. Den nuvarande algoritmen är ett bevis-av-koncept och lärt sig från förenklade scenarier, men utbildning på mer komplexa eller till och med öka antalet organ involverade till fyra av fem först kräver att du genererar informationen om Brutus, vilket kan vara extremt tid- konsumtiva och dyra.
"Det finns ett samspel mellan vår förmåga att träna ett fantastiskt fungerande neuralt nätverk och vår förmåga att faktiskt härleda data för att träna det," sade han. "Så det finns en flaskhals där."
Ett sätt att lösa problemet skulle vara för forskare att skapa ett gemensamt arkiv av data som produceras med program som Brutus. Men först skulle det kräva inrättande av standardprotokoll för att säkerställa att uppgifterna var en enhetlig standard och format, sade Foley.
Det finns fortfarande några problem att ta sig igenom med det neurala nätet också, sa Foley. Det kan bara köras under en viss tid, men det är inte möjligt att veta i förväg hur lång tid ett visst scenario kommer att ta att slutföra, så algoritmen kan ta slut innan problemet löses.
Forskarna ser dock inte att nervnätet fungerar isolerat, säger Foley. De tror att den bästa lösningen vore för ett program som Brutus att göra det mesta av benarbetet med nervnätet och bara ta på sig de delar av simuleringen som involverar mer komplexa beräkningar som dämpar programvaran.
"Du skapar denna hybrid", sa Foley. "Varje gång Brutus fastnar anställer du nervnätverket och går framåt. Och sedan bedömer du om Brutus har blivit ostoppad eller inte."
