Naukowcy po raz pierwszy w historii przeprowadzili symulację Drogi Mlecznej, w której udało się odwzorować ponad 100 miliardów pojedynczych gwiazd – każdą zachowując jako osobny obiekt o własnej dynamice. Co więcej, dokonano tego ponad 100 razy szybciej niż w przypadku najlepszych wcześniejszych prób. To ogromny krok naprzód w astrofizyce obliczeniowej.
Osiągnięcie było możliwe dzięki połączeniu metod fizycznych z głębokim uczeniem (deep learning). Efekty pracy zespołu z RIKEN, Uniwersytetu Tokijskiego i Uniwersytetu w Barcelonie zaprezentowano podczas konferencji International Conference for High Performance Computing, Networking, Storage and Analysis.
Badacze przewidują, że ta technika zmieni nie tylko sposób prowadzenia symulacji galaktyk, ale także modelowania klimatu, pogody czy procesów geofizycznych.
Dlaczego symulacja naszej galaktyki jest tak trudna?
Droga Mleczna to system o masie około biliona (10¹²) mas Słońca, zawierający ponad 100 miliardów gwiazd, miliony obłoków gazowych i pyłowych, grawitacyjne oddziaływania w wielu skalach oraz procesy energetyczne: supernowe, fale uderzeniowe, powstawanie gwiazd i syntezę pierwiastków.
Każdy z tych procesów działa:
- w innej skali czasu (od sekund do miliardów lat),
- w innej skali przestrzennej (od pojedynczych gwiazd po całą galaktykę),
- z inną energią i fizyką (hydrodynamika, grawitacja, turbulencje, promieniowanie).
Dotychczasowy kompromis: duże obiekty zamiast gwiazd
Najnowocześniejsze klasyczne symulacje radzą sobie z galaktykami o masie około 1 mld mas Słońca. Ale aby odwzorować Drogę Mleczną, modele musiałyby znacząco „uśredniać” rzeczywistość — zamiast pojedynczej gwiazdy symulują cząstkę o masie 100 Słońc, czyli całą gromadę gwiazd.
W efekcie:
- zachowanie pojedynczych gwiazd jest tracone,
- zjawiska drobnoskalowe (np. wybuchy supernowych) są rozmywane,
- ewolucję galaktyki można badać tylko bardzo ogólnie.
Dlaczego supernowe są takie ważne w symulacjach galaktyk?
Supernowe to potężne eksplozje kończące życie masywnych gwiazd. W symulacjach pełnią kilka kluczowych ról:
- wstrzykują energię w otaczający gaz,
- tworzą fale uderzeniowe, które wpływają na formowanie gwiazd,
- rozsiewają pierwiastki ciężkie, z których powstają planety i życie,
- zaburzają równowagę gazu, zmieniając jego gęstość i temperaturę.
Aby dokładnie zasymulować ewolucję galaktyki, trzeba wiedzieć, jak gaz zachowuje się nawet setki tysięcy lat po wybuchu supernowej. To właśnie ten etap jest ekstremalnie kosztowny obliczeniowo — i tu na scenę wkracza sztuczna inteligencja.
Problem: zabójczo długi czas symulacji
Badacze wyliczyli, że gdyby użyć najnowszego klasycznego modelu fizycznego i spróbować symulować Drogę Mleczną z rozdzielczością pojedynczych gwiazd, komputer potrzebowałby 315 godzin obliczeń na każdy 1 mln lat symulowanej galaktyki.
Symulacja 1 mld lat trwałaby więc ponad 36 lat czasu rzeczywistego — i to przy już ekstremalnych zasobach obliczeniowych.
Dodawanie kolejnych rdzeni superkomputera niewiele daje:
- czas obliczeń rośnie wolniej niż liczba rdzeni,
- zużycie energii rośnie dramatycznie,
- komunikacja między rdzeniami zaczyna ograniczać prędkość.
Dlatego potrzebna była fundamentalna innowacja.
Cyrkulacja materii w galaktyce: Rozproszony, ciepły gaz traci energię poprzez promieniowanie i przewodzenie, tworząc strukturę przypominającą dysk (dysk galaktyczny). Gwiazdy powstają w obłokach z niskotemperaturowym (∼ 10 K) wodorem cząsteczkowym w dysku. Kiedy masywne gwiazdy – o masie około 10 razy większej od masy Słońca – osiągają koniec swojego życia, eksplodują jako supernowe, generując niezwykle gorący gaz (∼ 107 K). Te eksplozje wstrzykują zarówno energię, jak i ciężkie pierwiastki, takie jak węgiel (C), tlen (O), magnez (Mg) i żelazo (Fe) do otaczającego gazu międzygwiazdowego i wywołują turbulencje. Część tej materii jest wyrzucana jako wypływ i ostatecznie opada z powrotem do dysku galaktycznego, gdzie tworzą się gwiazdy następnej generacji. Z tej wzbogaconej materii ostatecznie powstają planety takie jak Ziemia i organizmy żywe takie jak my. (Źródło: NASA/JPL-Caltech, ESA, CSA, STScI).
Model AI jako „zastępca” fragmentów fizyki
Keiya Hirashima i jego zespół stworzyli model zastępczy (surrogate model) oparty na głębokim uczeniu. Model ten został wytrenowany na symulacjach supernowych o bardzo wysokiej rozdzielczości, obejmujących zachowanie gazu do 100 tys. lat po wybuchu. Dzięki temu AI potrafi przewidywać, jak zachowuje się gaz, bez konieczności uruchamiania kosztownych fizycznych symulacji za każdym razem.
Efektem jest hybryda:
- duża skala (cała galaktyka) — liczona klasyczną fizyką,
- mała skala (supernowe, turbulencje) — szacowana przez AI.
Podejście to pozwala zachować fizyczną poprawność, a jednocześnie znacznie przyspiesza obliczenia.
Co to jest model zastępczy (surrogate model)?
To technika, w której sztuczna inteligencja zastępuje najdroższy obliczeniowo fragment symulacji.
Jak to działa?
- Najpierw tworzy się wiele bardzo dokładnych, ale kosztownych symulacji danego zjawiska (np. supernowej).
- Na tych danych trenuje się sieć neuronową.
- W dużej symulacji galaktyki AI szybko przewiduje wyniki, które inaczej wymagałyby godzin pracy superkomputera.
Zaletą modelu zastępczego jest to, że uczy się fizycznych regularności i potrafi uzupełniać symulację „na bieżąco”.
Miliard lat w 115 dni zamiast 36 lat
Zespół porównał wyniki z tradycyjnych symulacji z tymi generowanymi przez model hybrydowy. Użyto m.in. superkomputera Fugaku (jednego z najszybszych na świecie) i systemu Miyabi Uniwersytetu Tokijskiego.
Wynikowa symulacja była:
- dokładna w prognozowaniu dynamiki gazu i supernowych,
- ponad 100× szybsza niż klasyczna metoda,
- zdolna do odwzorowania ponad 100 miliardów gwiazd, czyli tyle, ile w Drodze Mlecznej.
Symulacja 1 mln lat ewolucji Drogi Mlecznej trwała zaledwie 2,78 godziny.
A więc:
- 1 mld lat → 115 dni,
zamiast
- 1 mld lat → około 36 lat klasycznymi metodami.
To radykalna zmiana skali możliwości.
Rewolucja w nauce
To osiągnięcie może zrewolucjonizować wiele dziedzin nauki, w tym:
Astrofizykę
- precyzyjne testowanie teorii formowania się galaktyk,
- lepsze zrozumienie roli supernowych,
- śledzenie historii chemicznej Drogi Mlecznej,
- realistyczne modelowanie struktur spiralnych.
Modelowanie klimatu i pogody
Technika może przyspieszyć symulacje atmosferyczne o tysiące procent:
- możliwość łączenia globalnych i lokalnych procesów pogodowych,
- dokładniejsze modele burz, huraganów, prądów morskich.
Nauki obliczeniowe
Zmiana sposobu korzystania z superkomputerów:
- mniejsza energochłonność,
- większa wydajność,
- łączenie algorytmów AI z klasycznymi równaniami fizyki.
Keiya Hirashima podsumowuje: „To nie jest tylko przyspieszenie symulacji. To zmiana sposobu prowadzenia badań naukowych.”
W ciągu najbliższych lat takie modele mogą stać się standardem. Jeśli AI potrafi przyspieszyć najbardziej skomplikowane części fizyki gwiazdowej, astrofizyka może wejść w erę, w której symulacje będą tak szczegółowe, jak obserwacje teleskopów, a jednocześnie będą mogły obejmować całe galaktyki lub nawet ich zbiory. To otwiera drogę do nowego typu badań – takich, w których komputerowe „laboratoria galaktyk” stają się równie ważne jak teleskopy.
Więcej informacji: publikacja Keiya Hirashima et al, The First Star-by-star N-body/Hydrodynamics Simulation of Our Galaxy Coupling with a Surrogate Model, Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis (2025). DOI: 10.1145/3712285.3759866
Opracowanie: Joanna Molenda-Żakowicz
Na ilustracji: Ilustracja galaktycznego dysku gazowego z przodu (po lewej) i z boku (po prawej). Ilustracje przedstawiają rozkład gazu po wybuchu supernowej i zostały wygenerowane przez model zastępczy głębokiego uczenia. Źródło: RIKEN
