Naukowcy dokonali przełomu w astrofizyce, tworząc pierwszą symulację Drogi Mlecznej w wysokiej rozdzielczości, dokładnie mapując ponad 100 miliardów pojedynczych gwiazd na przestrzeni 10 000 lat. Sukces ten osiągnięto poprzez integrację sztucznej inteligencji (AI) z tradycyjnymi symulacjami numerycznymi, w wyniku czego powstał model 100 razy bardziej szczegółowy i 100 razy szybszy niż poprzednie, najnowocześniejsze podejścia.
Wyniki badań, opublikowane w Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis, wskazują na znaczny postęp na styku astrofizyki, obliczeń o dużej wydajności i sztucznej inteligencji. Oprócz wpływu na zrozumienie ewolucji galaktyk ta nowa metodologia może zrewolucjonizować modelowanie w innych złożonych dziedzinach, takich jak klimatologia i prognozowanie pogody.
Wyzwanie symulacyjne Drogi Mlecznej
Astrofizycy od dawna poszukiwali realistycznych symulacji Drogi Mlecznej, aż do poziomu pojedynczych gwiazd. Takie modele mają kluczowe znaczenie dla testowania teorii powstawania, struktury i ewolucji gwiazd w porównaniu z rzeczywistymi obserwacjami. Jednakże dokładne symulacje galaktyk są niezwykle złożone ze względu na ogromną liczbę zachodzących w nich procesów fizycznych – grawitacji, dynamiki płynów, eksplozji supernowych i syntezy pierwiastków – które działają w bardzo różnych skalach przestrzeni i czasu.
Do tej pory naukowcom nie udało się symulować dużych galaktyk, takich jak Droga Mleczna, przy zachowaniu wysokiej rozdzielczości gwiazdowej. Aktualne, najnowocześniejsze symulacje ograniczają się do górnej granicy masy wynoszącej około miliarda mas Słońca, co oznacza, że najmniejszą „cząstką” w modelu jest gromada 100 gwiazd. To uśrednianie przesłania zachowanie poszczególnych gwiazd, ograniczając dokładność symulacji.
Kluczowym wąskim gardłem jest krok czasowy wymagany do dokładnego modelowania. Szybkie zmiany na poziomie gwiazd, takie jak ewolucja supernowych, można uchwycić tylko wtedy, gdy symulacja będzie przebiegać małymi krokami.
Ograniczenia obliczeniowe i potrzeba innowacji
Skrócenie kroku czasowego wymaga jednak wykładniczo większej ilości zasobów obliczeniowych. Nawet przy obecnej technologii modelowanie Drogi Mlecznej aż do pojedynczych gwiazd wymagałoby 315 godzin na każdy milion lat czasu symulacji. W tym tempie symulowanie nawet miliarda lat ewolucji galaktyk zajęłoby ponad 36 lat czasu rzeczywistego.
Samo dodanie większej liczby rdzeni superkomputera nie jest realnym rozwiązaniem. Zwiększenie liczby rdzeni niekoniecznie skutkuje szybszym przetwarzaniem ze względu na zmniejszoną wydajność i marnowane zużycie energii.
Przełom oparty na sztucznej inteligencji
Aby przezwyciężyć te ograniczenia, Keiya Hirashima z RIKEN Centrum Interdyscyplinarnych Nauk Teoretycznych i Matematycznych (iTHEMS) w Japonii wraz z kolegami z Uniwersytetu Tokijskiego i Universitat de Barcelona w Hiszpanii opracowali nowe podejście. Połączyli zastępczy model głębokiego uczenia się z symulacjami fizycznymi.
Model zastępczy został przeszkolony w oparciu o symulacje supernowych o wysokiej rozdzielczości i nauczył się przewidywać ekspansję otaczającego gazu przez 100 000 lat po eksplozji, bez konieczności stosowania dodatkowych zasobów obliczeniowych w stosunku do reszty modelu. To przejście AI umożliwiło symulację jednoczesnej symulacji ogólnej dynamiki galaktycznej i zjawisk na małą skalę, takich jak supernowe.
Zespół zweryfikował wydajność symulacji, porównując jej wyniki z wynikami testów na dużą skalę z wykorzystaniem superkomputera RIKEN Fugaku i systemu superkomputerowego Miyabi Uniwersytetu Tokijskiego.
Wyniki i szersze implikacje
Nowa metoda nie tylko umożliwia osiągnięcie rozdzielczości gwiazdowej w dużych galaktykach zawierających ponad 100 miliardów gwiazd, ale także znacznie przyspiesza prędkość symulacji. Symulacja miliona lat zajmuje obecnie zaledwie 2,78 godziny, co oznacza, że pożądany miliard lat można symulować w zaledwie 115 dni zamiast 36 lat.
Oprócz astrofizyki podejście to może przekształcić inne wieloskalowe symulacje w takich dziedzinach, jak pogoda, oceanografia i klimatologia, gdzie kluczowe znaczenie ma powiązanie między procesami na małą i dużą skalę.
„Wierzę, że integracja sztucznej inteligencji z obliczeniami o wysokiej wydajności oznacza fundamentalną zmianę w sposobie rozwiązywania wieloskalowych i wielofizycznych problemów we wszystkich naukach obliczeniowych” – mówi Hirashima.
Ten przełom pokazuje siłę łączenia sztucznej inteligencji i tradycyjnych obliczeń w celu przezwyciężenia wcześniej nieprzezwyciężalnych ograniczeń w modelowaniu naukowym. Konsekwencje dla przyszłych badań w różnych dyscyplinach są znaczące.
