Международная группа исследователей во главе с Кейей Хирашимой из Центра междисциплинарных теоретических и математических наук RIKEN (iTHEMS) в Японии, в сотрудничестве с учеными из Токийского университета и Университета Барселоны, представила первую симуляцию Млечного Пути, способную отслеживать более 100 миллиардов отдельных звезд на протяжении 10 тысяч лет эволюции. Этот прорыв стал возможен благодаря сочетанию искусственного интеллекта (ИИ) с передовыми численными методами моделирования. Новая модель вмещает в 100 раз больше звезд по сравнению с самыми сложными предыдущими симуляциями и была сгенерирована более чем в 100 раз быстрее.
Работа, представленная на международной суперкомпьютерной конференции SC ’25, знаменует собой значительный шаг вперед для астрофизики, высокопроизводительных вычислений и ИИ-моделирования. Аналогичная стратегия, обеспечивающая беспрецедентную скорость и детализацию на галактическом масштабе, может быть применена и к крупномасштабным исследованиям земных систем, включая моделирование климата и погоды, обещая серьезные достижения в этих областях.
На протяжении многих лет астрофизики стремились создать симуляции Млечного Пути, достаточно детализированные, чтобы отслеживать каждую отдельную звезду. Такие модели позволили бы ученым напрямую сопоставлять теории галактической эволюции, структуры и звездообразования с наблюдательными данными. Однако точное моделирование галактики требует расчета гравитации, поведения жидкостей, образования химических элементов и активности сверхновых в огромных диапазонах времени и пространства, что делает эту задачу чрезвычайно сложной.
Ранее ученые не могли смоделировать галактику такого размера, как Млечный Путь, сохраняя при этом мелкие детали на уровне отдельных звезд. Современные передовые симуляции могут представлять системы с эквивалентной массой примерно в один миллиард Солнц, что значительно меньше 100 миллиардов звезд, составляющих Млечный Путь. В результате самая маленькая «частица» в этих моделях обычно представляет собой группу примерно из 100 звезд, что усредняет поведение отдельных звезд и ограничивает точность мелкомасштабных процессов.
Проблема также связана с интервалом между вычислительными шагами: чтобы зафиксировать быстрые события, такие как эволюция сверхновой, симуляция должна продвигаться очень малыми временными приращениями. Сокращение временного шага означает значительно большие вычислительные затраты. Даже с лучшими современными физическими моделями моделирование Млечного Пути звезда за звездой потребовало бы около 315 часов на каждый 1 миллион лет галактической эволюции. При такой скорости генерация 1 миллиарда лет активности заняла бы более 36 лет реального времени. Простое добавление большего количества ядер суперкомпьютера не является практичным решением, поскольку энергопотребление становится чрезмерным, а эффективность снижается по мере увеличения числа ядер.
Чтобы преодолеть эти барьеры, Хирашима и его команда разработали метод, который сочетает суррогатную модель глубокого обучения со стандартными физическими симуляциями. Суррогатная модель обучалась с использованием симуляций сверхновых высокого разрешения и научилась предсказывать, как распространяется газ в течение 100 000 лет после взрыва сверхновой, не требуя дополнительных ресурсов от основной симуляции. Этот компонент ИИ позволил исследователям улавливать общее поведение галактики, одновременно моделируя мелкомасштабные события, включая тонкие детали отдельных сверхновых. Команда подтвердила подход, сравнив его результаты с крупномасштабными запусками на суперкомпьютере Fugaku RIKEN и суперкомпьютерной системе Miyabi Токийского университета.
Этот метод обеспечивает истинное разрешение на уровне отдельных звезд для галактик с более чем 100 миллиардами звезд и делает это с поразительной скоростью. Моделирование 1 миллиона лет заняло всего 2.78 часа, что означает, что 1 миллиард лет может быть завершен примерно за 115 дней вместо 36 лет.
Гибридный подход ИИ-моделирования может изменить многие области вычислительной науки, которые требуют связи мелкомасштабной физики с крупномасштабным поведением. Такие области, как метеорология, океанография и климатическое моделирование, сталкиваются с аналогичными проблемами и могут извлечь выгоду из инструментов, ускоряющих сложные многомасштабные симуляции.
«Считаю, что интеграция ИИ с высокопроизводительными вычислениями знаменует собой фундаментальный сдвиг в том, как мы решаем многомасштабные, мультифизические задачи в рамках вычислительных наук», – отмечает Хирашима. «Это достижение также показывает, что ИИ-ускоренные симуляции могут выйти за рамки распознавания образов и стать подлинным инструментом для научных открытий – помогая нам проследить, как элементы, сформировавшие саму жизнь, возникли в нашей галактике».
