通過將機器學習與數值建模相結合,創建了銀河係有史以來最詳細的超級計算機模擬。該程序的運行速度比第二個最詳細模型快 100 倍,使天文學家有機會在幾個月而不是幾十年內繪製出我們星係數十億年的演化圖。
新的模擬包含 1000 億個粒子。 星星這是已知的恆星的近似數量 星系 房子。以前的最佳分辨率模擬可以處理十億顆恆星,但速度很慢。對星係數百萬年來的演化進行詳細建模需要 315 小時,即實時 13 天。這意味著,使用之前最高分辨率的模擬來模擬10億年,實際計算需要近36年的時間。
與之前最高分辨率的模擬相比,僅包含十億個粒子。每個粒子代表 100 顆星星,但細節會被平滑掉,例如單星星效果。 超新星 能對周圍的氣體環境產生影響。因此,之前的最佳模擬更傾向於長期事件,而不是與單個恆星相關的短期現象。但它往往是一種影響星系更長期演化的短期現象。
要在更短的時間內處理模擬將需要更多的處理能力。但平島團隊通過開發一種新方法克服了這一障礙。使用深度學習代理模型,該模型被視為訓練模型並應用於高分辨率超新星數據。學習預測超新星遺跡將擴展到何處 星際介質 在十萬年的時間裡,這種膨脹吹走了星際介質中的氣體和塵埃,並添加了超新星爆炸產生的新元素。這改變了星際介質的分佈和化學性質。氣體和塵埃最終轉化為居住在銀河系中的下一代恆星。
通過將替代模型與描述銀河系整體動力學的數值模擬相結合,平島團隊能夠將短期超新星事件的影響與更大時間尺度上的銀河過程結合起來。
這種新方法還有助於加快速度。經過數百萬年的模擬時間,僅用了 2.78 小時即可顯示結果。按照這個速度,模擬銀河係數十億年的演化只需要115天,而不是36年。
平島在一份聲明中表示:“我相信人工智能與高性能計算的集成標誌著我們處理計算機科學中多尺度、多物理問題的方式發生了根本性變化。” 陳述–
這種方法也不必局限於天體物理學。只需進行一些調整即可用於模擬。 氣候變化小規模事件影響大規模過程的海洋或氣候模型
在銀河系演化和銀河系如何形成的測試模型的背景下。其結構如何發展?它的化學反應如何蓬勃發展?這個方法是可以改變的。
“這一成功還表明,人工智能加速模擬可以超越模式識別,成為科學發現的真正工具。它幫助我們追踪形成生命的元素是如何在沒有我們的銀河系的情況下出現的,”平島說。
新模擬的結果作為國際超級計算機會議的一部分發布 25 年 8 月–










