100 миллиардов звезд поштучно. Астрофизики впервые создали детальную симуляцию всего Млечного Пути

Группа астрофизиков представила первую в мире симуляцию Млечного Пути, в которой по отдельности моделируется более 100 миллиардов звезд на интервале в 10 тысяч лет. Добиться этого удалось за счет сочетания искусственного интеллекта и классических численных методов. Новый подход не только позволяет учитывать примерно в 100 раз больше звезд, чем прежние передовые модели, но и работает более чем в 100 раз быстрее.

Работа опубликована в сборнике материалов Международной конференции по высокопроизводительным вычислениям, сетям, хранению данных и анализу. Исследование стало заметным прорывом на стыке астрофизики, суперкомпьютеров и ИИ. Авторы подчеркивают, что их методика может применяться не только для изучения галактик, но и для моделирования сложных процессов вроде изменения климата и погодных паттернов.

Астрономы давно стремятся создать модель Млечного Пути, в которой можно проследить судьбу каждой отдельной звезды и сравнить теорию формирования галактик, их структуры и эволюции со снимками реального неба. Такая задача крайне сложна: в расчет нужно одновременно включать гравитацию, движение газа, взрывы сверхновых, синтез химических элементов, причем все это происходит на разных масштабах расстояний и времени.

До сих пор ученым удавалось моделировать крупные галактики только с грубым разрешением. В современных симуляциях верхний предел обычно ограничивается массой порядка миллиарда Солнц, тогда как в Млечном Пути звезд больше чем в сто раз. Фактически одна вычислительная «частица» в таких моделях представляет собой скопление массой около ста солнечных. Поведение отдельных звезд в этом кластере усредняется, поэтому можно достаточно точно описывать крупномасштабные процессы, но не то, что происходит на уровне одной звезды.

Главная проблема связана с временным шагом. Быстрые изменения на уровне отдельных звезд, например эволюцию сверхновых, можно увидеть только если модель делает «снимки» галактики достаточно часто. Однако уменьшение шага по времени резко увеличивает вычислительные затраты. По оценке авторов, если бы лучшая классическая физическая модель попробовала просчитать Млечный Путь с разрешением до отдельных звезд, ей понадобилось бы около 315 часов суперкомпьютерного времени на каждый миллион лет эволюции галактики.

При таком раскладе симуляция всего одного миллиарда лет заняла бы свыше 36 лет реального времени. Простое добавление новых вычислительных ядер ситуацию не спасает: энергопотребление растет, а эффективность параллельных расчетов падает, так что масштабировать модель становится все труднее.

Чтобы обойти эти ограничения, Кейя Хирасима из Центра междисциплинарных теоретических и математических наук RIKEN (iTHEMS, Япония) вместе с коллегами из Токийского университета и Университета Барселоны предложили гибридный подход. Они объединили полноценную физическую симуляцию с «замещающей» моделью на основе глубокого обучения.

Эту нейросетевую модель обучили на высокодетальных симуляциях взрыва сверхновой. Она научилась предсказывать, как газ вокруг звезды будет расширяться в течение ста тысяч лет после взрыва, не нагружая основной расчет галактики. Такой ИИ-«ярлык» позволил одновременно отслеживать глобальную динамику Млечного Пути и тонкие процессы вроде вспышек сверхновых и их влияния на межзвездную среду.

Корректность нового метода проверили, сравнив результаты с крупномасштабными тестами на суперкомпьютере Fugaku в RIKEN и системе Miyabi в Токийском университете. Полученные данные показали, что гибридный подход воспроизводит физику процессов с нужной точностью, при этом радикально ускоряя вычисления.

Разработанный метод обеспечивает звездное разрешение в галактиках с числом звезд больше 100 миллиардов, а просчитать миллион лет эволюции удается примерно за 2,78 часа. Это означает, что тот же миллиард лет, который раньше требовал бы десятилетий работы суперкомпьютера, теперь можно смоделировать примерно за 115 дней.

Авторы отмечают, что выгоды нового подхода не ограничиваются астрофизикой. Тот же принцип можно применять к другим многомасштабным задачам, где нужно связать процессы на микро- и макроуровне, например в моделях погоды, океана и климата.

По словам Хирасимы, интеграция ИИ и высокопроизводительных вычислений означает фундаментальный разворот в том, как наука подходит к сложным задачам с множеством физических процессов и масштабов. Исследователь подчеркивает, что такие ИИ-ускоренные симуляции выходят за рамки простой распознающей «надстройки» над данными и превращаются в полноценный инструмент научного поиска, позволяющий проследить, как в нашей галактике возникли элементы, из которых в итоге появилась жизнь.