Ett team ledd av Keiya Hirashima har skapat den första simuleringen av Vintergatan som spårar över 100 miljarder enskilda stjärnor över 10 000 år. Genom att kombinera artificiell intelligens med avancerade numeriska tekniker kör modellen hundratals gånger snabbare än tidigare metoder. Genombrottet presenterades vid superdator-konferensen SC '25.
Forskare vid RIKEN Center for Interdisciplinary Theoretical and Mathematical Sciences (iTHEMS) i Japan, ledda av Keiya Hirashima, samarbetade med partners från The University of Tokyo och Universitat de Barcelona i Spanien för att uppnå en milstolpe inom astrofysikalisk modellering. Deras simulering spårar individuellt mer än 100 miljarder stjärnor över 10 000 år av galaktisk evolution, vilket representerar 100 gånger fler stjärnor än de mest avancerade tidigare simuleringarna.
Utmaningen med att modellera Vintergatan kommer från behovet av att beräkna gravitation, fluidmekanik, kemiska processer och supernova-händelser över stora skalor samtidigt som detaljer bibehålls på individstjärnens nivå. Traditionella simuleringar grupperar stjärnor i partiklar som representerar cirka 100 stycken var, vilket begränsar noggrannheten för småskaliga fenomen som supernovor. Dessa kräver små tidssteg, vilket gör fullständiga simuleringar beräkningsintensiva: att modellera 1 miljon år av evolution tar cirka 315 timmar, så 1 miljard år skulle kräva över 36 år av verklig tid.
För att lösa detta integrerade teamet en djupinlärningsersättningsmodell tränad på högupplösta supernovadata. Denna AI förutsäger gasbeteendet efter supernova över 100 000 år utan att belasta huvudberäkningen. Validerad på RIKEN:s Fugaku och The University of Tokyos Miyabi-superdatorer simulerar metoden 1 miljon år på bara 2,78 timmar, vilket möjliggör en 1-miljardsårs körning på cirka 115 dagar.
Arbetet, detaljerat i en artikel med titeln 'The First Star-by-star N-body/Hydrodynamics Simulation of Our Galaxy Coupling with a Surrogate Model' (DOI: 10.1145/3712285.3759866), presenterades vid SC '25. Hirashima uppgav: "Jag tror att integrationen av AI med högpresterande beräkning markerar en grundläggande förändring i hur vi hanterar flerskaliga, multifysikaliska problem inom beräkningsvetenskaperna." Han tillade: "Denna prestation visar också att AI-accelererade simuleringar kan gå bortom mönsterigenkänning för att bli ett verkligt verktyg för vetenskaplig upptäckt – och hjälpa oss att spåra hur elementen som bildade livet självt uppstod inom vår galax."
Tekniken lovar för andra områden som klimat- och väder modellering, där flerskaliga simuleringar är väsentliga.