即使用迄今最快的超級計算機，模擬復雜自然現象也要耗費數小時。而據美國《科學》網站１７日報道，作為一種超快速模擬的算法，人工智能（ＡＩ）仿真器提供了一條“捷徑”——基于神經網絡的ＡＩ可以很容易地生成精確的仿真器，從而將所有科學領域的仿真加速數十億倍。
　　對于極其復雜的自然現象，例如亞原子粒子如何相互作用，以及大氣霧如何影響氣候等等，即使利用人類擁有的最高性能超級計算機，建模也可能要花費幾個小時。然而，基于機器學習的人工智能仿真器則跳過了傳統的繁瑣，借助完整模擬的輸入和輸出，能尋找模式并學習猜測新輸入將對模擬產生什么影響，而無論要建模的是原子、大氣還是星系，都可以實現大幅加速。
　　牛津大學物理學家穆罕默德·卡西姆領導了此次研究，該技術被稱為深度仿真器網絡搜索（ＤＥＮＳＥ），依賴于斯坦福大學計算機科學家開發的一種通用神經結構搜索。它在網絡的輸入和輸出之間隨機插入計算層，用有限的數據測試和訓練生成的線路。如果添加的計算層可以提高性能，那么它還可進一步被應用在未來仿真器中，通過重復這個過程不斷改進。
　　在展示中，研究人員使用ＤＥＮＳＥ技術開發了１０個仿真器，分別用于物理、天文、地質和氣候科學領域。ＤＥＮＳＥ仿真器表現極其出色——速度比其他模擬器快１０萬到２０億倍。
　　這些仿真器非常精確，其中天文仿真器的結果與全模擬的一致性超過９９．９％，在這１０次模擬中，神經網絡仿真器比傳統仿真器要好得多。
　　勞倫斯·利弗莫爾國家實驗室進行氣候模擬的科學家唐納德·盧卡斯并沒有參與研究，但他表示，神經網絡仿真器的自動創建要比他們科學家團隊設計和訓練的模擬器好得多，還可以幫助科學家在實驗設施中充分利用自己的時間，未來其很可能將極大地改變科學進程。