您可能想像的是在最大的尺度上製作地圖和網絡廟宇的跟踪，這並不意味著
為此，您必須使用觀察證據並與理論模型相結合，例如大型結構的強大理論（EFFTOFLSS），然後您將在開發宇宙3D骨架的統計圖上。這只是一種不僅僅是人類思想的方式，它需要大量時間來計算 – 這是一個非常寶貴的時間，尤其是天文學數據的目錄不斷增長。
因此，我們如何減少不會降低精度的分析時間？國際研究人員認為這發生在這個問題上：Emolester被稱為“ JL”努力。 JL在筆記本電腦上工作時應提供efftoflss 超級計算機，只有幾分鐘
“想像一下，您想在每個顯微鏡組件的水平上研究一杯水的含量，甚至更小：從理論上講，您可以做到。但是，如果我們想詳細說明水移動時發生了什麼在一份聲明中說 “但是，您可以對一些顯微鏡進行加密，並在宏觀水平上看到它們的作用，即液體在玻璃中的運動。
“這是強大的場理論所做的，即模型，例如efftoflss。我的樣本中的水是很大的宇宙，而顯微鏡成分是一個很小的物理過程。”
諸如EFTOFLSS之類的理論模型使用天文學並預測描述這些數據點的描述。但是，問題是調查，例如DESI規範工具，該工具於2024年4月首次影響，ESA航天器（ESA），歐幾里得，由不可觀的，不可靠的數據集組成。數據量不能用於擬合理論模型以提供大型，精確的預測。
Bonici說：“這就是我們像我們一樣轉向Emileer的原因，這可以減少大量時間和資源。”
Emolater，例如JL，是在神經網絡上創建的，該神經網絡已使用理論模型，Ramors，學習和預測進行了訓練，這意味著它們可以模仿這些模型的運行。這意味著，雖然Emoleer無法理解其面臨的物理學，但他們可以使用與原始模型預測的新輸入和預測。
實際上，JL的努力通過結合有關模型參數發生變化的知識來使用此其他因素。如果將參數調整為少量，則該啟動器還可以解釋預測將如何變化。這意味著努力。 JL可以用比其他鞋類更多的示例來學習，這意味著它可以使用較少的計算能力來使用。
Bononici及其同事的新研究在處理真實的天文數據和模擬數據時檢查了JL努力的準確性，並與Eftoflss製造的預測相一致。
Bonici補充說：“在某些情況下，您必須削減分析的一部分以加快努力。JL，我們還可以將那些缺失的零件結合在一起。”
那付出了努力。 JL是具有下一代天文學趨勢的伙伴，例如Desi和Euclid在我們持續努力更好地理解宇宙的大結構的過程中。
該團隊的研究於週二（9月16日）在 宇宙和物理肌肉粒子（JCAP）雜誌
