共计 1319 个字符，预计需要花费 4 分钟才能阅读完成。
一项利用 AI 技术的新模拟以前所未有的速度和精度，对银河系中的每颗恒星进行了建模。这项技术不仅实现了星系级别的真实感，还为气候和天气建模带来了重大突破。
由日本理化学研究所跨学科理论与数学科学中心（iTHEMS）的 Keiya Hirashima 领导的研究团队，与东京大学和西班牙巴塞罗那大学的合作伙伴共同开发了首个能够追踪 1000 亿颗恒星在 1 万年演化过程中的银河系模拟。通过将人工智能（AI）与先进的数值模拟技术相结合，该团队实现了这一里程碑。他们的模型比之前最复杂的模拟多包含 100 倍的恒星，并且生成速度提高了 100 倍以上。
这一成果在国际超级计算会议 SC ’25 上发布，标志着天体物理学、高性能计算和 AI 辅助建模的重大进展。同样的策略也可应用于大规模地球系统研究，包括气候和天气研究。
多年来，天体物理学家一直致力于构建足够详细的银河系模拟，以追踪每颗单独的恒星。这类模型将使研究人员能够直接将星系演化、结构和恒星形成的理论与观测数据进行比较。然而，准确模拟一个星系需要计算引力、流体行为、化学元素形成以及超新星活动在巨大时空范围内的变化，这使得任务极为复杂。
科学家此前无法在保持单颗恒星细节的同时，对像银河系这样大的星系进行建模。当前最先进的模拟只能表示质量相当于约 10 亿个太阳的系统，远低于银河系中超过 1000 亿颗恒星的数量。因此，这些模型中最小的“粒子”通常代表大约 100 颗恒星的群体，这平均了单颗恒星的行为，并限制了小尺度过程的准确性。这一挑战与计算步骤之间的间隔有关：为了捕捉超新星演化等快速事件，模拟必须以非常小的时间增量进行。
缩短时间步长意味着计算量大幅增加。即使使用当今最好的基于物理的模型，逐颗恒星模拟银河系也需要约 315 小时才能完成每 100 万年的星系演化。按照这一速度，生成 10 亿年的活动需要超过 36 年的实际时间。简单地增加更多超级计算机核心并不是一个实用的解决方案，因为随着核心数量的增加，能源使用会变得过高，效率也会下降。
为了克服这些障碍，Hirashima 及其团队设计了一种将深度学习代理模型与标准物理模拟相结合的方法。该代理模型通过高分辨率超新星模拟进行训练，并学会了预测超新星爆炸后 10 万年内的气体扩散，而无需从主模拟中消耗额外资源。这一 AI 组件使研究人员能够捕捉星系的整体行为，同时仍能模拟小尺度事件，包括单颗超新星的精细细节。该团队通过在理研的富岳超级计算机和东京大学的 Miyabi 超级计算机系统上进行大规模运行，验证了这一方法。
该方法为包含 1000 亿颗恒星的星系提供了真正的单颗恒星分辨率，并且速度惊人。模拟 100 万年仅需 2.78 小时，这意味着完成 10 亿年的模拟只需约 115 天，而不是 36 年。
这种混合 AI 方法可能会重塑许多需要将小尺度物理与大尺度行为联系起来的计算科学领域。气象学、海洋学和气候建模等领域面临类似的挑战，并可能受益于加速复杂多尺度模拟的工具。
Hirashima 表示：“我相信，将 AI 与高性能计算相结合，标志着我们如何处理计算科学中的多尺度、多物理问题的根本性转变。这一成就还表明，AI 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是如何在银河系中出现的。”
