Dotychczas naukowcy nie byli w stanie modelować galaktyk i jednocześnie uwzględniać w nich pojedynczych gwiazd. Najlepsze z modeli mogły symulować masę nie większą niż miliard mas Słońca. Tymczasem w Drodze Mlecznej znajduje się ponad 100 miliardów gwiazd. A to oznacza, że najmniejsza element w modelu naszej galaktyki stanowiła np. grupa 100 gwiazd o masie Słońca. Tak duże uproszczenie powoduje, że szczegóły dotyczące pojedynczych gwiazd — przede wszystkim gwałtowne zjawiska, takie jak supernowe — zostają uśrednione i trudno je odwzorować. Gdyby zaś spróbować odwzorować Drogę Mleczną z dokładnością do pojedynczej gwiazdy tradycyjnymi metodami, potrzebne byłyby 315 godzin obliczeń na każde milion lat symulacji. W takim tempie symulowanie miliarda lat zajęłoby ponad 36 lat rzeczywistego czasu.

  • Jakie osiągnięcie zaprezentowali japońscy naukowcy?
  • Ile gwiazd odwzorowuje nowa symulacja Drogi Mlecznej?
  • Co pozwoliło na skrócenie czasu symulacji do 3 godzin?
  • W jakich dziedzinach zastosowane może być podejście łączące AI i obliczenia wysokiej wydajności?

Rozwiązaniem okazało się zastosowanie modelu na głębokim uczeniu. Badacze wytrenowali model sztucznej inteligencji na symulacjach o wysokiej rozdzielczości, dzięki którym nauczył się przewidywać, jak gaz rozszerza się przez 100 000 lat po wybuchu supernowej. Zamiast więc za każdym razem liczyć pełne zjawiska fizyczne, AI podpowiada wynik, dzięki czemu unika się przeprowadzania najbardziej skomplikowanych operacji. Czas potrzebny na symulowanie 1 miliona lat skrócono do niecałych 3 godzin, a to oznacza, że symulację obejmującą 1 miliard lat można by przeprowadzić w 115 dni.

Osiągnięcie Hirashimy i zespołu ma znaczenie wykraczające poza astrofizykę. Podejście łączące AI i obliczenia wysokiej wydajności może zostać zastosowane w badaniach klimatu, prognozowaniu pogody czy modelowaniu oceanów, gdzie konieczne jest uwzględnianie procesów zachodzących w bardzo różnych skalach.

Źródło: The First Star-by-star $N$-body/Hydrodynamics Simulation of Our Galaxy Coupling with a Surrogate Model, https://dl.acm.org/doi/10.1145/3712285.3759866