AI 创建了首个能单独追踪1000亿颗星的银河模拟

研究人员将深度学习与高分辨率物理相结合，创建了第一个能够单独追踪超过100亿颗恒星的银河系模型。他们的AI学会了超新星后气体的行为方式，消除了银河系建模中最大的计算瓶颈之一。其结果是比当前方法快数百倍的模拟。

日本RIKEN综合理论与数学科学中心(iTHEMS)的Keiya Hirashima及其同事与来自东京大学和西班牙巴塞罗那大学的研究人员合作，创建了第一个能够追踪超过1000亿颗单独恒星在一万年演化过程中的模拟模型。

研究团队通过将人工智能(AI)与先进的数值模拟技术相结合实现了这一里程碑。他们的模型包含的恒星数量是之前最复杂的模拟的100倍，并且生成速度提高了100多倍。这项工作在国际超级计算大会SC '25上展示，标志着天体物理学、高性能计算和AI辅助建模的重大进展。同样的策略也可以应用于包括气候和天气研究在内的大规模地球系统研究。

多年来，天文学家致力于构建足够详细的银河系模拟，以追踪每一颗单独的恒星。这样的模型将允许研究人员直接将关于银河系演化、结构和恒星形成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、化学元素形成和超新星活动，这涉及巨大的时间和空间范围，使得这项任务完成的条件极为苛刻。

科学家此前无法在保持单颗恒星细节的前提下对像银河系这样庞大的星系进行建模。当前最先进的模拟可以表示相当于约十亿个太阳质量的系统，远低于构成银河系的超过1000亿颗恒星的数量。

因此，那些模型中最小的“粒子”通常代表大约100颗星，这些星星的行为会被平均掉，从而限制了小尺度过程的准确性。挑战在于计算步骤之间的间隔：要捕捉如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将大幅增加。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大约315小时来模拟每100万年的银河演化。按照这个速度生成10亿年的活动需要超过36年的真实时间。

仅仅增加更多的超级计算机核心并不是一个实际的解决方案，因为能源消耗会变得过度，并且随着更多核心的添加效率也会下降。新的深度学习方法为克服这些障碍，Hirashima和他的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。该代理模型通过使用高分辨率超新星模拟进行训练，学会了预测超新星爆炸后10万年中气体如何扩散，而无需从主要模拟中获取额外资源。这一人工智能组件使研究人员能够捕捉到银河系的整体行为，同时仍然可以建模小规模事件。

该方法包括单独超新星的精细细节。研究团队通过将其结果与RIKEN的Fugaku超级计算机和东京大学的Miyabi超级计算机系统的大型模拟进行比较，验证了这种方法的有效性。对于包含超过1000亿颗恒星的星系，该方法提供了真正的单个恒星分辨率，并且速度惊人。

模拟100万年仅需2.78小时，这意味着大约115天内可以完成10亿年的模拟，而不用36年。更广泛的应用前景：气候、天气和海洋建模这种混合AI方法可能重塑计算科学中的许多领域，这些领域需要将小尺度物理与大尺度行为联系起来。气象学、海洋学和气候建模等领域面临类似挑战，并且可以从加速复杂多尺度模拟的工具中受益。“我相信，将AI与高性能计算结合使用标志着在计算科学领域解决跨尺度多物理问题的基本转变，”HIRASHIMA说。

这一成就还表明，AI 加速的模拟不仅可以用于模式识别，还可以成为真正的科学发现工具——帮助我们追踪生命本身所必需的元素是如何在我们的星系中出现的。

文中核心信息奇奇参考自论文 “使用代理模型对我们的星系耦合进行的第一个逐星$N$体/流体动力学模拟”（国际高性能计算、网络、存储与分析会议论文集，2025 年），本内容在此相关信息基础上编撰而成，其中配图，未标注出处者，均为自制或公开图库素材。