Výzkumníci učinili průlom v astrofyzice vytvořením první simulace galaxie Mléčné dráhy s vysokým rozlišením, která přesně mapuje více než 100 miliard jednotlivých hvězd za 10 000 let. Tohoto úspěchu bylo dosaženo integrací umělé inteligence (AI) s tradičními numerickými simulacemi, což vedlo k modelu, který je 100krát podrobnější a 100krát rychlejší než předchozí špičkové přístupy.
Výzkum, publikovaný v Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis, představuje významný pokrok na pomezí astrofyziky, vysoce výkonných počítačů a umělé inteligence. Kromě svého vlivu na pochopení vývoje galaxií by tato nová metodika mohla způsobit revoluci v modelování v dalších komplexních oblastech, jako je klimatologie a předpověď počasí.
Výzva pro simulaci mléčné dráhy
Astrofyzici se dlouho snažili vytvořit realistické simulace galaxie Mléčná dráha až na úroveň jednotlivých hvězd. Takové modely jsou kritické pro testování teorií formování galaxií, struktury a vývoje hvězd proti skutečným pozorováním. Přesné simulace galaxií jsou však notoricky složité kvůli enormnímu množství zahrnutých fyzikálních procesů – gravitace, dynamiky tekutin, výbuchů supernov a elementární fúze – které fungují v naprosto odlišných měřítcích prostoru a času.
Až dosud vědci nebyli schopni simulovat velké galaxie, jako je Mléčná dráha, při zachování vysokého hvězdného rozlišení. Současné špičkové simulace jsou omezeny na horní hranici hmotnosti přibližně jedné miliardy slunečních hmot, což znamená, že nejmenší „částicí“ v modelu je kupa 100 hvězd. Toto zprůměrování zatemňuje chování jednotlivých hvězd a omezuje přesnost simulací.
Klíčovým úzkým hrdlem je časový krok potřebný pro přesné modelování. Rychlé změny na hvězdné úrovni, jako je vývoj supernov, lze zachytit pouze v případě, že simulace postupuje po malých krocích.
Výpočetní omezení a potřeba inovace
Snížení časového kroku však vyžaduje exponenciálně více výpočetních zdrojů. I se současnou technologií by modelování Mléčné dráhy na jednotlivé hvězdy vyžadovalo 315 hodin na každý milion let doby simulace. Při tomto tempu by simulace dokonce jedné miliardy let galaktického vývoje zabrala více než 36 let reálného času.
Pouhé přidávání dalších superpočítačových jader není schůdným řešením. Zvýšení počtu jader nemusí nutně vést k rychlejšímu zpracování kvůli snížené účinnosti a plýtvání spotřebou energie.
Průlom poháněný umělou inteligencí
K překonání těchto omezení vyvinul Keiya Hirashima z Centra pro interdisciplinární teoretické a matematické vědy RIKEN (iTHEMS) v Japonsku spolu s kolegy z Tokijské univerzity a Universitat de Barcelona ve Španělsku nový přístup. Kombinovali náhradní model hlubokého učení s fyzikálními simulacemi.
Náhradní model byl trénován na simulacích supernov s vysokým rozlišením a naučil se předpovídat expanzi okolního plynu na 100 000 let po explozi, aniž by vyžadoval další výpočetní zdroje ze zbytku modelu. Toto procházení AI umožnilo simulaci simulovat současně celkovou galaktickou dynamiku a malé jevy, jako jsou supernovy.
Tým ověřil výkon simulace porovnáním jejího výstupu s rozsáhlými testy s použitím superpočítače RIKEN Fugaku a superpočítačového systému Miyabi University of Tokyo.
Výsledky a širší důsledky
Nová metoda umožňuje nejen dosáhnout hvězdného rozlišení ve velkých galaxiích obsahujících více než 100 miliard hvězd, ale také výrazně zrychluje rychlost simulace. Simulace jednoho milionu let nyní trvá pouhých 2,78 hodiny, což znamená, že požadovanou miliardu let lze simulovat za pouhých 115 dní namísto 36 let.
Kromě astrofyziky by tento přístup mohl transformovat další víceúrovňové simulace v oblastech, jako je počasí, oceánografie a klimatologie, kde je kritické spojení mezi procesy v malém a velkém měřítku.
„Věřím, že integrace umělé inteligence s vysoce výkonnými počítači znamená zásadní posun v tom, jak řešíme víceúrovňové a vícefyzikální problémy napříč všemi výpočetními vědami,“ říká Hirashima.
Tento průlom demonstruje sílu kombinace umělé inteligence a tradičních počítačů k překonání dříve nepřekonatelných omezení ve vědeckém modelování. Důsledky pro budoucí výzkum napříč obory jsou významné.
