Effort.jl是一款创新的AI模拟器软件，由加拿大滑铁卢大学领衔开发，旨在革新宇宙大尺度结构（LSS）的研究方式。该工具采用AI模拟器技术，通过训练神经网络来复制传统物理模拟的输出，而非从头计算。这使得研究者无需依赖昂贵的超级计算机，可在普通工作站甚至笔记本电脑上进行高效计算。Effort.jl的训练过程仅需一小时，完成训练后，单次计算速度可达15微秒，比传统方法快数个数量级，且预测精度与现有先进代码高度一致，甚至在某些方面提供更精细的细节。该工具的开源发布，极大地降低了宇宙学研究的门槛，预示着研究范式的转变，并对未来大规模巡天项目的数据处理能力至关重要。

💡 **AI模拟器技术革新计算方式**: Effort.jl 采用AI模拟器（Emulator）技术，通过训练神经网络来学习并复制传统复杂物理模拟（如EFTofLSS）的输出模式，而非直接执行庞大的计算步骤。这种方法将原本需要数周至数月在超级计算机上运行的模拟，转化为可在普通工作站上高效完成的任务，大大降低了宇宙学研究的资源门槛。

🚀 **计算速度与精度的大幅提升**: 经过训练的Effort.jl在计算星系功率谱时，单次计算仅需约15微秒，速度比传统方法快了数个数量级。研究表明，其预测结果与业界公认的EFTofLSS代码（如pybird）在关键统计分布上高度一致，甚至在某些分析上能提供更精细的细节，保证了科学研究的严谨性。

💻 **降低研究成本与促进普及**: Effort.jl的出现，使得科学家们不再完全依赖顶尖的超级计算机集群。一台普通的笔记本电脑即可进行高效的宇宙学数据分析，这极大地降低了研究成本，使小型研究团队和个人研究者也能参与到前沿的宇宙学探索中，推动了研究范式的转变，让研究者能更自由地探索复杂模型。

🌟 **赋能未来大规模巡天项目**: 随着DESI和Euclid等下一代大型巡天项目将产生海量数据，传统计算方法将难以应对。Effort.jl这类AI模拟工具的出现，为处理这些指数级增长的数据提供了关键的技术支持，预示着其在未来宇宙学研究中的重要作用。

Ginz 2025-11-03 20:35 北京

自人类抬首望向星空以来，对宇宙的好奇与探索便从未止步。当前阶段的宇宙学，尤其是对宇宙大尺度结构（Large-Scale Structure, LSS）的研究，已经进入了数据驱动和超算依赖的时代。科学家们试图通过精密的计算机模拟，去追溯宇宙从诞生之初微小的量子扰动，如何演化成今天我们所见——一个由星系团、超星系团、宇宙纤维以及巨大空洞所构成的巨型网络。

然而，这类模拟所需的巨量信息资源，通常只有世界上少数几台顶尖的超级计算机才能胜任，且每次运行往往需耗时数周乃至数月。但近日，由加拿大滑铁卢大学领衔开发的一项软件工具，正有望改写这一游戏规则。

(来源：github)

这款名为 Effort.jl 的软件，采用了一种被称为 AI 模拟器（Emulator）的技术模式，来取代传统的、从头开始的物理模拟。这款工具不是简单地重复大尺度结构有效场论（EFTofLSS）复杂的计算步骤，而是选择训练一个优化的神经网络，来掌握和复制大模型的输出模式。

我们可以将传统的 EFTofLSS 模拟想象成一个极度精密的工厂，每次生产（模拟）都需要消耗大量的能源和时间。而 Effort.jl 就像一个高性能的代理系统，它通过学习这家工厂的历史生产记录（即模型已有的计算结果），建立起一个高效的预测模型。这个网络学习了从输入参数（如暗物质的密度、暗能量的特性等）到输出预测（如星系在空间中的分布特征）之间的关系。

Effort.jl 的训练过程使用了 60,000 组不同宇宙学参数配置及其对应的功率谱数据, 通过五层隐藏层、每层 64 个神经元的神经网络架构来捕捉这些复杂关系。整个训练过程在一台配备 8 核 CPU 的普通工作站上仅需约一小时。 

正是基于这种技术方法上的创新，Effort.jl 可以在一台普通的笔记本电脑上运行，不再需要完全依赖超算的力量，极大降低了该方向的研究成本。

而在训练完成后, Effort.jl 的计算速度进化也十分惊人：它对于星系功率谱的单次计算时间只需大约 15 微秒——这个速度比传统方法快了数个数量级。具体来说，传统上需要超级计算集群“数天”才能完成的高收敛度分析任务，Effort.jl 在一台标准硬件上仅用略微超过 1 小时便可以完成。

不过，速度的提升必须以保证精度为前提。研究团队在《宇宙学和天体粒子物理学杂志》上发布了对于模型的测试结果——这些测试涵盖了多个基准数据集，包括对 BOSS 巡天数据等真实观测数据集的分析。结果显示，Effort.jl 的预测结果与业界公认、耗费大量资源的 EFTofLSS 代码 pybird 所得的贝叶斯后验概率分布（用于确定参数最佳值的统计分布）达到了高度的一致性。

该研究的第一作者 Marco Bonici 补充道：“在某些情况下，使用模型时你必须裁剪部分分析以加快速度，而使用 Effort.jl，我们能够将那些缺失的部分也包括进来。”这意味着，在某些分析上，这款模仿器甚至能比传统超算提供更精细的细节。

图 | 相关论文（来源：arXiv）

当然，Effort.jl 也并非万能。Bonici 特别强调，这个工具无法替代科学家的专业判断："宇宙学家仍然需要负责设定合理的参数先验、解读分析结果，并运用物理直觉来确保结论的意义。Effort.jl 提供的是计算加速，而非科学洞察本身。"此外，模拟器的准确性依赖于训练数据的质量和覆盖范围——如果待分析的模型参数落在训练集边界之外，预测精度可能会下降。不过团队已经通过符号回归 (symbolic regression) 等技术来进一步扩展模拟器的适用范围，从而在不损失精度的前提下进一步提速。

这项工作的意义远不止于让宇宙学计算变得更便宜、更快捷。它也代表了一种研究范式的转变：从“我们能研究什么问题”转向“我们想研究什么问题”。在过去，许多理论物理学家因为计算成本过高而不得不简化模型假设，或者在参数空间中只探索有限的区域。Effort.jl 这类工具的出现，意味着研究者可以更自由地尝试复杂模型，进行更细致的敏感性分析，甚至在数据分析过程中实时调整策略。

目前，团队已经将这款工具在 GitHub 平台上进行开源发布。无论是小型研究团队、还是单个的研究人员，都有机会利用一台普通的电脑，参与到宇宙学数据分析中来。

而在未来几年，对于即将到来的 DESI (Dark Energy Spectroscopic Instrument，暗能量光谱仪) 和 Euclid（欧几里得空间望远镜）等下一代大型巡天项目，这种能力尤为关键——这些项目将产生比以往多出数个数量级的数据量，传统计算方法根本无力应对。届时 Effort.jl 或将大显身手。

参考链接：

1.https://arxiv.org/html/2501.04639v1

2.https://www.sciencedaily.com/releases/2025/09/250918225001.htm#

运营/排版：何晨龙

阅读原文

跳转微信打开