Forskere har for første gang laget en simulering av Melkeveien som kan følge over 100 milliarder individuelle stjerner. Gjennombruddet, ledet av Keiya Hirashima ved RIKEN i Japan, kombinerer kunstig intelligens og avansert fysikk – og gjør beregningene opptil hundre ganger raskere enn før. Resultatet åpner for direkte sammenligning mellom teorier om galaktisk utvikling og faktiske observasjoner.

Hva er nytt – og hvorfor det betyr noe

I årevis har astrofysikere ønsket seg modeller detaljerte nok til å følge hver stjerne for seg. Tradisjonelle superdatamaskinsimuleringer har imidlertid bare klart å representere systemer med masse tilsvarende omtrent én milliard soler. I slike modeller representerer den minste partikkelen ofte en gruppe på rundt 100 stjerner, noe som glatter ut småskala prosesser.

Den nye tilnærmingen gir ekte individuell stjernestørrelsesoppløsning for galakser med mer enn 100 milliarder stjerner – og gjør dermed drømmen om presis galaktisk modellering langt mer realistisk.

Slik virker gjennombruddet

Nøkkelen er en hybridmetode der et dyplæringsprogram fungerer som en «surrogat-modell». AI-komponenten er trent på høyoppløselige supernovasimuleringer og forutsier hvordan gass sprer seg de 100 000 årene etter en eksplosjon – uten å trekke ekstra ressurser fra hovedsimuleringen.

Dette fjerner en av de største beregningsflaskehalsene: Supernovaer krever vanligvis svært små tidssteg for å fange raske hendelser. Med AI kan hovedsimuleringen gå raskere uten å miste de kritiske detaljene.

Testet på noen av verdens kraftigste maskiner

Tilnærmingen ble validert ved å sammenligne resultater mot storskala kjøringer på Japans Fugaku-superdatamaskin og Universitetet i Tokyos Miyabi-system. Forskerne brukte til sammen over 7,1 millioner CPU-kjerner – tilsvarende 148 900 datanoder – og nådde 300 milliarder partikler i simuleringen.

Dette sier forskerne

«Jeg tror at integrering av AI med høyytelsesberegning markerer et fundamentalt skifte i hvordan vi takler flerskala, flerfysikk-problemer på tvers av beregningsvitenskapene,» sier Hirashima. «Denne prestasjonen viser også at AI-akselererte simuleringer kan gå utover mønstergjenkjenning til å bli et ekte verktøy for vitenskapelig oppdagelse – og hjelpe oss med å spore hvordan elementene som dannet selve livet, oppsto i vår galakse.»

Hva kan dette brukes til?

I astrofysikken åpner metoden for å studere hvordan Melkeveien har utviklet seg over milliarder av år, hvordan tunge elementer som karbon, oksygen og jern har spredt seg gjennom galaksen, og muligens hvordan vårt eget solsystem ble dannet.

Utover astronomi

Den samme strategien kan brukes i storskala studier av jordens systemer, inkludert klima og vær. Felt som meteorologi, oseanografi og klimamodellering står overfor lignende flerskala utfordringer – og kan dra nytte av verktøy som akselererer komplekse simuleringer.

Arbeidet fra RIKEN, Universitetet i Tokyo og Universitat de Barcelona demonstrerer at AI kan utfylle – ikke erstatte – tradisjonelle fysikkmetoder. Ved å lære fra høyoppløselige simuleringer kan AI fange essensen av komplekse prosesser og anvende denne kunnskapen i langt større skalaer enn tidligere mulig. Neste steg blir å utnytte denne hybride tilnærmingen til å teste teorier om galaktisk evolusjon mot stadig rikere observasjonsdata.

Kilder: ScienceDaily, RIKEN, ACM Digital Library, Mirage News