来自几个物理和地质实验室的研究人员已经开发了深度仿真器网络搜索(DENSE)，这是一种使用深度学习在从高能物理到气候科学等各个领域进行科学模拟的技术。与以前的模拟器相比，DENSE的结果使速度提高了1000万到20亿倍。
 

科学家在arXiv上发表的一篇论文中描述了他们的技术和一些实验。由于需要有效地生成神经网络仿真器 来代替较慢的仿真，该团队开发了一种神经搜索方法和一种新颖的可生成卷积神经网络(CNN)的超体系结构。选择CNN的原因是，它们在大量“自然”信号上表现良好，而这些信号是许多科学模型的领域。使用标准的模拟器程序来为CNN生成训练和测试数据，并且根据该团队。

科学家经常使用模拟 -数学模型的计算机实现-来检验新思想并探索自然系统的潜在行为。由于这些仿真是理论模型的实现，因此即使在现代计算机硬件上，它们也可能运行非常缓慢。例如， 全球气候模型可能要花费数千个CPU小时。加速模拟器可以使研究人员尝试许多想法，并已显示出有望作为改进药物发现或改进和优化昂贵的血浆和融合实验的一种方法。
 

对于科学家仅对模型输出感兴趣而不对内部模型状态感兴趣的情况，仿真器可以提供答案。仿真器是一种程序，可以模拟给定输入的仿真器输出，但无需准确地对系统的内部状态建模。

通过使用速度较慢的模拟器生成许多输入/输出示例，科学家可以训练出比模拟器运行速度快得多的神经网络模拟器。面临的挑战是为模拟器找到最适合训练数据的适当神经网络架构。

为了解决这个问题，研究团队开发了一种神经架构搜索(NAS)，称为深度仿真器网络搜索(DENSE)。首先，团队定义了一个网络超级架构 这限制了算法的搜索空间。

超级架构是节点图;第一个节点代表输入，最后一个节点代表输出;之间的两个以上的节点代表隐藏网络层的激活输出。
 

节点通过操作组进行连接，这些操作组包括各种内核大小的CNN层，标识层(或“跳过连接”)以及将其输入乘以零的零层。从该超级架构空间中采样候选网络并对其进行训练。然后，通过在未验证的数据集上运行候选人来对候选人进行排名，以找到表现最佳的网络。