日本理化學研究所跨學科和數學科學中心 (iTHEMS) 的 Keiya Hirashima 領導的研究人員與東京大學和西班牙巴塞羅那大學的合作夥伴合作，創建了有史以來第一個銀河系模型，可以跟踪超過 1000 億顆恆星在 10,000 年的演化過程中。該團隊通過將人工智能 (AI) 與先進的數值模擬技術結合起來實現了這一目標。他們的模型比以前最複雜的模型多了 100 倍的星星，並且構建速度快了 100 倍。
國際超級計算機會議 SC ’25 上展示的工作標誌著天體物理學向前邁出了重要一步。高性能計算機和使用人工智能進行建模，相同的策略可以應用於研究大規模地球系統。包括氣候和氣候研究。
為什麼為每個明星建模如此困難？
多年來，天體物理學家一直致力於創建一個足夠詳細的銀河系模型來追踪單個恆星。該模型允許研究人員直接將星系演化、結構和形成的理論與觀測數據進行比較。然而，準確地模擬星系需要引力計算。化學元素的流體行為形成和超新星活動在巨大的時間和空間內。這使得這項任務非常艱鉅。
此前，科學家無法在對像銀河系那麼大的星系進行建模的同時，將細節保持在單顆恆星的水平。目前最先進的模擬可以代表一個質量相當於大約十億個太陽的系統。這遠遠低於構成銀河系的超過1000億顆恆星。因此，這些模型中最小的“粒子”通常代表約 100 顆恆星的星團，這平均了單個恆星的行為並限制了小規模過程的準確性。挑戰與計算步驟之間的時間尺度有關：捕捉快速事件，例如超新星的演化。模擬必須以非常小的時間增量進行。
減少時間意味著顯著增加計算量。儘管這是當今最好的物理模型，但對於銀河系每 100 萬年的演化來說，一顆一顆地模擬銀河系的恆星仍然需要大約 315 個小時。產生 10 億年的活動需要超過 36 年的實時時間。簡單地添加更多超級計算機核心並不是一個實際的解決方案。這是因為隨著內核數量的增加，功耗過高，性能下降。
一種新的深度學習方法
為了克服這些障礙，平島和他的團隊設計了一種將深度學習模型與標準物理模擬相結合的方法。這些代理使用高分辨率超新星模擬進行訓練。並學習預測超新星爆炸後 10 萬年內氣體將如何擴散。在不需要主模擬的額外資源的情況下，該人工智能組件允許研究人員捕獲星系的整體行為，同時仍然對小規模事件進行建模。包括每個超新星的小細節。該團隊通過將結果與 RIKEN Fugaku 超級計算機和東京大學 Miyabi 超級計算機系統的大規模工作結果進行比較，驗證了該方法。
這種方法為擁有超過 1000 億顆恆星的星系提供了真正的單個恆星分辨率，並且可以以令人難以置信的速度完成。 100萬年的模擬只需要2.78小時，這意味著10億年將在大約115天內完成，而不是36年。
擴大了氣候、氣候和海洋建模的潛力。
這種混合人工智能方法可以改變計算機科學的許多領域。這需要將小尺度物理與大規模行為、氣象學、海洋學和氣候建模等領域聯繫起來。面臨類似的挑戰，並且可能會受益於加速多尺度複雜模擬的工具。
Hirashima 說：“我相信，將人工智能與高性能計算相結合代表了我們處理計算科學中多尺度、多物理問題的方式發生了根本性變化。” “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。幫助我們跟踪各種元素是如何在我們的銀河系中形成生命的？”
