Исследователи совершили прорыв в астрофизике, создав первую высокоразрешающую симуляцию галактики Млечный Путь, точно отображающую более 100 миллиардов отдельных звезд в течение 10 000 лет. Этот успех был достигнут за счет интеграции искусственного интеллекта (ИИ) с традиционными численными симуляциями, что привело к модели, которая в 100 раз более детализирована и в 100 раз быстрее, чем предыдущие передовые подходы.
Исследование, опубликованное в Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis, знаменует собой значительный прогресс на стыке астрофизики, высокопроизводительных вычислений и ИИ. Помимо его влияния на понимание эволюции галактик, эта новая методология может революционизировать моделирование в других сложных областях, таких как климатология и прогнозирование погоды.
Задача симуляции Млечного Пути
Астрофизики давно стремились создать реалистичные симуляции галактики Млечный Путь, вплоть до уровня отдельных звезд. Такие модели имеют решающее значение для проверки теорий формирования галактик, структуры и звездной эволюции на основе реальных наблюдений. Однако точные симуляции галактик печально известны своей сложностью из-за огромного количества вовлеченных физических процессов — гравитации, гидродинамики, взрывов сверхновых и синтеза элементов — которые действуют в совершенно разных масштабах пространства и времени.
До сих пор ученые не могли смоделировать крупные галактики, такие как Млечный Путь, сохраняя при этом высокое звездное разрешение. Существующие передовые симуляции ограничены верхним массовым пределом примерно в один миллиард солнечных масс, что означает, что наименьшая «частица» в модели представляет собой скопление из 100 звезд. Это усреднение скрывает поведение отдельных звезд, ограничивая точность симуляций.
Ключевым узким местом является временной шаг, необходимый для точного моделирования. Быстрые изменения на звездном уровне, такие как эволюция сверхновых, можно зафиксировать только в том случае, если симуляция продвигается небольшими шагами.
Вычислительные ограничения и необходимость инноваций
Уменьшение временного шага, однако, требует экспоненциально больше вычислительных ресурсов. Даже с использованием современных технологий моделирование Млечного Пути вплоть до отдельных звезд потребовало бы 315 часов на каждый миллион лет времени симуляции. При такой скорости моделирование даже одного миллиарда лет эволюции галактики заняло бы более 36 лет реального времени.
Простое добавление большего количества ядер суперкомпьютера не является жизнеспособным решением. Увеличение количества ядер не обязательно приводит к более быстрой обработке из-за уменьшения эффективности и нерационального потребления энергии.
Прорыв на базе ИИ
Чтобы преодолеть эти ограничения, Кейя Хирасима из RIKEN Center for Interdisciplinary Theoretical and Mathematical Sciences (iTHEMS) в Японии вместе с коллегами из Токийского университета и Universitat de Barcelona в Испании разработали новый подход. Они объединили модель суррогатного глубокого обучения с физическими симуляциями.
Суррогатная модель была обучена на высокоразрешающих симуляциях сверхновых и научилась предсказывать расширение окружающего газа в течение 100 000 лет после взрыва, не требуя дополнительных вычислительных ресурсов от остальной части модели. Этот ИИ-обход позволил симуляции одновременно моделировать общую динамику галактики и мелкомасштабные явления, такие как сверхновые.
Команда проверила производительность симуляции, сравнив ее выходные данные с крупномасштабными тестами с использованием суперкомпьютера RIKEN Fugaku и Miyabi Supercomputer System Токийского университета.
Результаты и более широкие последствия
Новый метод не только позволяет добиться звездного разрешения в крупных галактиках, содержащих более 100 миллиардов звезд, но и значительно ускоряет скорость симуляции. Моделирование одного миллиона лет теперь занимает всего 2,78 часа, что означает, что желаемые один миллиард лет можно смоделировать всего за 115 дней вместо 36 лет.
Помимо астрофизики, этот подход может преобразовать другие многомасштабные симуляции в таких областях, как погода, океанография и климатология, где связь между мелкомасштабными и крупномасштабными процессами имеет решающее значение.
«Я считаю, что интеграция ИИ с высокопроизводительными вычислениями знаменует собой фундаментальный сдвиг в том, как мы решаем многомасштабные, многофизические проблемы во всех вычислительных науках», — говорит Хирасима.
Этот прорыв демонстрирует силу сочетания ИИ и традиционных вычислений для преодоления ранее непреодолимых ограничений в научном моделировании. Последствия для будущих исследований в различных дисциплинах значительны.
