الشبكة الكونية على مقود الشبكة العصبية سريع
في غرفة مظلمة تعزف موسيقى. على الأرض متناثر مسحوق ناعم يكاد لا يُرى. الترددات المنخفضة تجعله يتجمع في أنماط غريبة: خيوط، تكتلات، فراغات. وبنفس الطريقة تقريبًا، تعمل الجاذبية على مدى مليارات السنين على نسج المجرات في الشبكة الكونية — لكن بدل الموجات الصوتية، هنا يعمل التجاذب. لفهم "اللحن" الذي بدأ به كل شيء، علينا إرجاع الزمن إلى الوراء: من النمط النهائي إلى الحفنة الأولى من المسحوق. هذه هي مهمة استعادة الشروط الأولية للكون.
المحاكاة الحاسوبية التقليدية ثقيلة جدًا لمثل هذا المسار العكسي. فهي تحسب بدقة كل دفعة جاذبية، لكن التكرار الواحد قد يستغرق ساعات. الطرق التقريبية أسرع، لكنها تقتطع الزوايا — تفقد تلك الديناميكية الدقيقة التي تولد فيها الهالات. يقدم مؤلفو العمل حلاً وسطًا: خلية آلية بدماغ شبكة عصبية. نموذج LNCA (الخلية العصبية الآلية اللاغرانجية) لا يتتبع شبكة كثافة ثابتة، بل يتتبع جسيمات المادة نفسها ويتحرك معها. يتعلم فقط تصحيح تخمين تقريبي لكنه فيزيائيًا ذو معنى — تقريب زيلدوفيتش (Zeldovich approximation). إلى هذا الأساس، يضيف النموذج إزاحات متبقية دقيقة. هكذا تُحفظ الدقة على المقاييس الكبيرة، بينما ترسم التفاصيل الصغيرة عبر التعلم.
سر التوفير يكمن في المحلية. كل خلية في الآلية تحدّث حالتها بالنظر فقط إلى جيرانها الأقربين، وتفعل ذلك خطوة بخطوة. النتيجة ليست مجرد لقطة نهائية، بل تاريخ الحركة كله — مثل تصوير متتابع لرقصة حبيبات الغبار. قواعد هذه الرقصة تدور وتنزاح مع المادة: البنية تمتلك تكافؤًا دورانيًا وإزاحيًا (rotational and translational equivariance). الدقة النهائية مذهلة. حتى مقاييس تبلغ حوالي 12 ميغابارسيك (نحو 40 مليون سنة ضوئية)، لا يتجاوز خطأ النموذج بضعة في المئة. هذا بندول موثوق لإرجاع الزمن — من الشبكة الحالية إلى البداية شبه المتجانسة.
الملخص الأصلي
كما كتبه المؤلفون، بالإنجليزية arXiv:2607.27320
Field-level inference of cosmological initial conditions from galaxy surveys requires a forward model that is simultaneously accurate in the non-linear regime, computationally efficient, and fully differentiable. Traditional N-body simulations are accurate but computationally prohibitive for iterative inference, while approximate solvers like Lagrangian Perturbation Theory (LPT) fail to capture the knotty halo-forming dynamics of the cosmic web at late times. We introduce the \textit{Lagrangian Neural Cellular Automaton} (LNCA), a hybrid deep learning framework that can be applied to emulate structure formation as a local, iterative dynamical process on a comoving lattice. Unlike standard Eulerian Convolutional Neural Networks (CNNs) which map fixed density fields, the LNCA operates in the Lagrangian frame, advecting the computational graph itself to follow the flow of mass. By training the network to learn only the \textit{residual} displacement corrections to the Zeldovich approximation, we achieve high-fidelity emulation of the non-linear physics while guaranteeing accuracy at large scales. We further constrain our model to produce complete trajectories, not just final states, by adopting an equivariant cellular automaton architecture, which recurrently iterates on its internal states to yield a dynamic history. The resulting model is strictly local, translationally and rotationally equivariant, and naturally supports continuous time integration, making it a reliable differentiable forward model for reconstructing the initial conditions of the universe from lightcone data. Our trained model supports percent-level precision in the power and cross spectra well into the non-linear regime ($$k \lesssim 0.5 \, h \text{Mpc}^{-1}$$), while requiring $$\sim10^4$$ times fewer learned parameters than comparable models which take the form of an interpretable internal dynamic rule set.
تقريب زيلدوفيتش، الذي يعتمد عليه النموذج كأساس، وُضع في عام 1970 لوصف نمو الاضطرابات في الكون المتوسع. إنه ناجح لدرجة أنه ما زال يُستخدم كـ"تقريب صفري" في العديد من الحسابات الكونية.
في رواية "نهاية الخلود"، يصف إسحاق أسيموف منظمة تصحح التاريخ بحساب عواقب أصغر التغييرات. LNCA هو خطوة نحو مثل هذه "الآلة الحاسبة للواقع"، القادرة على استعادة الشروط الأولية من النمط الحالي للمجرات.