共计 966 个字符，预计需要花费 3 分钟才能阅读完成。
科学家们利用人工智能技术，首次创建了一个模拟银河系中 1000 亿颗恒星的详细模型。这一突破性研究不仅以比传统方法快 100 倍的速度运行星系尺度的物理过程，还为天体物理学家提供了前所未有的高分辨率视角，追踪了这些恒星在 1 万年内的演化过程。
此前，最先进的模拟技术将恒星视为大群体，忽略了塑造星系生长和变化的小尺度物理过程。然而，新方法通过结合深度学习和传统基于物理的建模，彻底改变了这一现状。研究团队生成的星系尺度模拟不仅速度更快，还使用了比以往多 100 倍的恒星。
模拟银河系的挑战
理解银河系的形成和演化需要捕捉从螺旋结构到单个恒星和超新星行为的各种物理过程。然而，这些过程——如引力、气体动力学、化学富集和爆炸性恒星死亡——在不同时间尺度上展开，使得模拟变得极为复杂。例如，捕捉超新星爆炸等快速事件需要以微小的时间增量进行模拟，这导致计算量巨大，模拟 10 亿年的星系历史可能需要数十年时间。,
人工智能的突破
由日本理研跨学科理论与数学科学中心（iTHEMS）研究员 Keiya Hirashima 领导的研究团队，与东京大学和巴塞罗那大学的同事合作，成功开发了一种深度学习替代模型。该模型在超新星行为的高分辨率模拟上进行训练，使人工智能能够预测气体在爆炸后 10 万年内的扩散情况。这一创新使得主模拟可以更快推进，同时保留单个超新星事件的细节。该方法通过日本富岳超级计算机和东京大学 Miyabi 系统的数据进行了验证。
结果是一个全尺度的银河系模拟，实现了真正的单个恒星分辨率，并且运行效率更高。现在，100 万年的星系演化仅需 2.78 小时，这意味着 10 亿年的模拟可以在约 115 天内完成，而不是 36 年。,
科学发现的真正工具
这一成就不仅是天体物理学的里程碑，其影响还远超出空间科学领域。类似的方法可以应用于宇宙大尺度结构形成、黑洞吸积以及天气、气候和湍流的模拟。这种混合人工智能 - 物理方法可以显著加速这些模型，使其更快、更准确。
“我相信，将人工智能与高性能计算相结合，标志着我们在计算科学中如何应对多尺度、多物理问题的根本性转变，”Hirashima 表示。“这一成就还表明，人工智能加速的模拟可以超越模式识别，成为科学发现的真正工具——帮助我们追踪形成生命本身的元素如何在我们的星系中出现。”
研究团队的下一步将是进一步扩展该技术，并探索其在地球系统建模中的应用。
