Onderzoekers hebben een doorbraak in de astrofysica bereikt door de eerste hoge-resolutiesimulatie van het Melkwegstelsel te creëren, die nauwkeurig meer dan 100 miljard individuele sterren weergeeft over een periode van 10.000 jaar. Deze prestatie werd bereikt door kunstmatige intelligentie (AI) te integreren met conventionele numerieke simulaties, resulterend in een model dat zowel 100 keer gedetailleerder als 100 keer sneller is dan eerdere state-of-the-art benaderingen.
De studie, gepubliceerd in Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis, markeert een aanzienlijke vooruitgang op het snijvlak van astrofysica, high-performance computing en AI. Naast de implicaties ervan voor het begrijpen van de galactische evolutie, heeft deze nieuwe methodologie het potentieel om een revolutie teweeg te brengen in de modellering op andere complexe gebieden, zoals klimaatwetenschap en weersvoorspellingen.
De uitdaging van het simuleren van de Melkweg
Astrofysici hebben lang geprobeerd realistische simulaties van het Melkwegstelsel te maken, tot op het niveau van individuele sterren. Dergelijke modellen zijn cruciaal voor het testen van theorieën over galactische vorming, structuur en stellaire evolutie aan waarnemingen uit de echte wereld. Nauwkeurige simulaties van sterrenstelsels zijn echter notoir moeilijk vanwege het enorme scala aan fysieke processen die daarbij betrokken zijn (zwaartekracht, vloeistofdynamica, supernova-explosies en elementsynthese), die op enorm verschillende schalen van ruimte en tijd werken.
Tot nu toe zijn wetenschappers er niet in geslaagd grote sterrenstelsels zoals de Melkweg te modelleren met behoud van een hoge resolutie op sterniveau. Bestaande geavanceerde simulaties zijn beperkt tot een bovengrens voor de massa van grofweg een miljard zonnen, wat betekent dat het kleinste ‘deeltje’ in het model een cluster van 100 sterren vertegenwoordigt. Deze middeling verduistert het gedrag van individuele sterren, waardoor de nauwkeurigheid van simulaties wordt beperkt.
Een belangrijk knelpunt is de tijdstap die nodig is voor nauwkeurige modellering. Snelle veranderingen op sterniveau, zoals de evolutie van supernova’s, kunnen alleen worden vastgelegd als de simulatie in korte stappen vordert.
Computationele limieten en de noodzaak van innovatie
Het verkleinen van de tijdstap vergt echter exponentieel meer rekenkracht. Zelfs met de huidige technologie zou het simuleren van de Melkweg tot aan individuele sterren 315 uur nodig hebben voor elke miljoen jaar simulatietijd. In dit tempo zou het simuleren van zelfs maar één miljard jaar galactische evolutie meer dan 36 jaar werkelijke tijd in beslag nemen.
Het simpelweg toevoegen van meer supercomputerkernen is geen haalbare oplossing. Het verhogen van het aantal kernen vertaalt zich niet noodzakelijkerwijs in een snellere verwerking als gevolg van afnemende rendementen op het gebied van efficiëntie, en het energieverbruik zou onhoudbaar zijn.
De door AI aangedreven doorbraak
Om deze beperkingen te overwinnen ontwikkelde Keiya Hirashima van het RIKEN Centrum voor Interdisciplinaire Theoretische en Wiskundige Wetenschappen (iTHEMS) in Japan, samen met collega’s van de Universiteit van Tokio en de Universitat de Barcelona in Spanje, een nieuwe aanpak. Ze combineerden een deep learning-surrogaatmodel met fysieke simulaties.
Het surrogaatmodel werd getraind op simulaties van supernova’s met hoge resolutie en leerde de uitzetting van omringend gas in de 100.000 jaar na een explosie te voorspellen, zonder dat daarvoor extra rekenkracht van de rest van het model nodig was. Dankzij deze AI-snelkoppeling kon de simulatie tegelijkertijd de algehele dynamiek van het sterrenstelsel en kleinschalige verschijnselen zoals supernova’s modelleren.
Het team verifieerde de prestaties van de simulatie door de resultaten te vergelijken met grootschalige tests met behulp van RIKEN’s supercomputer Fugaku en het Miyabi Supercomputer System van de Universiteit van Tokio.
Resultaten en bredere implicaties
De nieuwe methode maakt niet alleen individuele sterresolutie mogelijk in grote sterrenstelsels met meer dan 100 miljard sterren, maar versnelt ook dramatisch de simulatiesnelheid. Het simuleren van één miljoen jaar duurt nu slechts 2,78 uur, wat betekent dat de gewenste miljard jaar in slechts 115 dagen kan worden gemodelleerd, in plaats van in 36 jaar.
Naast de astrofysica heeft deze aanpak het potentieel om andere meerschalige simulaties te transformeren op gebieden als het weer, de oceanografie en de klimaatwetenschap, waar het koppelen van kleinschalige en grootschalige processen cruciaal is.
“Ik geloof dat de integratie van AI met high-performance computing een fundamentele verandering markeert in de manier waarop we multi-scale, multi-fysische problemen in de computationele wetenschappen aanpakken”, zegt Hirashima.
Deze doorbraak demonstreert de kracht van het combineren van AI en traditioneel computergebruik om voorheen onoverkomelijke beperkingen in wetenschappelijke modellering te overwinnen. De implicaties voor toekomstig onderzoek in meerdere disciplines zijn aanzienlijk
