Оглавление

Исследователи из Японии и Испании совершили прорыв в астрофизическом моделировании, создав первую симуляцию Млечного Пути, способную отслеживать более 100 миллиардов отдельных звезд на протяжении 10 тысяч лет эволюции. Этот результат стал возможен благодаря сочетанию искусственного интеллекта с передовыми методами численного моделирования.

Почему моделирование каждой звезды было невозможным

Астрофизики десятилетиями стремились создать достаточно детализированные симуляции Млечного Пути, чтобы отслеживать каждую отдельную звезду. Такие модели позволили бы напрямую сравнивать теории галактической эволюции, структуры и звездообразования с наблюдательными данными. Однако точное моделирование галактики требует вычисления гравитации, поведения жидкости, формирования химических элементов и активности сверхновых в огромных диапазонах времени и пространства.

До недавнего времени ученые не могли смоделировать галактику размером с Млечный Путь с сохранением детализации на уровне отдельных звезд. Современные передовые симуляции могли представлять системы с эквивалентной массой около одного миллиарда солнц — значительно меньше, чем более 100 миллиардов звезд, составляющих нашу галактику.

Ключевая проблема заключалась в вычислительной сложности: даже с лучшими физическими моделями симуляция Млечного Пути звезда за звездой требовала 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.

Гибридный подход с глубоким обучением

Команда под руководством Кейи Хирасимы из RIKEN разработала метод, сочетающий модель-суррогат глубокого обучения со стандартными физическими симуляциями. Суррогатная модель была обучена на высокоточных симуляциях сверхновых и научилась предсказывать распространение газа в течение 100 тысяч лет после взрыва сверхновой без дополнительных ресурсов от основной симуляции.

  • 100 раз больше звезд по сравнению с предыдущими продвинутыми симуляциями
  • 100 раз быстрее генерация модели
  • 2.78 часа на симуляцию 1 миллиона лет вместо 315 часов
  • 115 дней на 1 миллиард лет вместо 36 лет

Метод был проверен сравнением результатов с крупномасштабными запусками на суперкомпьютере Fugaku в RIKEN и Miyabi Supercomputer System в Токийском университете.

Это один из тех случаев, когда ИИ действительно меняет правила игры в науке — не просто распознавая паттерны, а становясь полноценным инструментом открытий. Что особенно впечатляет, так это масштабируемость подхода: от астрофизики до климатического моделирования, везде, где нужно связывать микро- и макропроцессы. Жаль только, что такие проекты обычно остаются за пределами доступа для большинства исследовательских групп из-за требований к вычислительным ресурсам.

Перспективы для климатических и океанографических исследований

Этот гибридный подход с ИИ может изменить многие области вычислительной науки, требующие связи физики малых масштабов с крупномасштабным поведением. Такие области, как метеорология, океанография и климатическое моделирование, сталкиваются с аналогичными проблемами и могут получить преимущества от инструментов, ускоряющих сложные многомасштабные симуляции.

«Я считаю, что интеграция ИИ с высокопроизводительными вычислениями знаменует фундаментальный сдвиг в том, как мы решаем многомасштабные, многофизические проблемы в вычислительных науках», — говорит Хирасима. — «Это достижение также показывает, что ускоренные ИИ симуляции могут выйти за пределы распознавания образов и стать подлинным инструментом для научных открытий».

Работа была представлена на международной конференции по суперкомпьютерам SC ’25 и опубликована в научном журнале.

По материалам ScienceDaily.