Машинное обучение превзошло суперкомпьютеры в моделировании эволюции галактик и взрывов сверхновых
Сравнение между симуляциями и машинным обучением для изолированной сверхновой. Вверху: результаты численного моделирования. Внизу: результаты численного моделирования с суррогатной моделью обратной связи сверхновой. Поперечные сечения снимков при t = 0, 105 и 4 × 105 лет приведены слева направо. Автор: The Astrophysical Journal (2025). DOI: 10.3847/1538-4357/add689
Исследователи использовали машинное обучение для значительного ускорения времени обработки при моделировании эволюции галактик в сочетании с взрывами сверхновых. Этот подход может помочь нам понять происхождение нашей собственной галактики, особенно элементов, необходимых для жизни в Млечном Пути.
Результаты исследования опубликованы в журнале The Astrophysical Journal.
Команду возглавил Кейя Хирашима из Центра междисциплинарных теоретических и математических наук RIKEN (iTHEMS) в Японии, совместно с коллегами из Института астрофизики Макса Планка (MPA) и Института Флэтайрон.
Понимание того, как формируются галактики, является центральной проблемой для астрофизиков. Хотя мы знаем, что мощные события, такие как сверхновые, могут влиять на эволюцию галактик, мы не можем просто посмотреть на ночное небо и увидеть этот процесс.
Ученые полагаются на численные симуляции, основанные на больших объемах данных, собранных с телескопов и других устройств, измеряющих аспекты межзвездного пространства. Симуляции должны учитывать гравитацию и гидродинамику, а также другие сложные аспекты астрофизической термохимии.
Кроме того, они должны иметь высокое временное разрешение, что означает, что время между каждым 3D-снимком эволюционирующей галактики должно быть достаточно малым, чтобы не пропустить критические события. Например, захват начальной фазы расширения оболочки сверхновой требует временного масштаба всего в несколько сотен лет, что в 1000 раз меньше, чем могут достичь типичные симуляции межзвездного пространства.
Фактически, типичному суперкомпьютеру требуется от одного до двух лет для выполнения симуляции относительно небольшой галактики с надлежащим временным разрешением.
Преодоление этого «узкого места» во времени стало основной целью нового исследования. Включив ИИ в свою модель, основанную на данных, исследовательская группа смогла сопоставить результаты ранее смоделированной карликовой галактики, но получила результат гораздо быстрее.
«Когда мы используем нашу модель ИИ, симуляция выполняется примерно в четыре раза быстрее, чем стандартное численное моделирование», — говорит Хирашима.
«Это соответствует сокращению времени вычислений на несколько месяцев или даже полгода. Критически важно, что наша ИИ-ассистированная симуляция смогла воспроизвести динамику, важную для понимания эволюции галактик и циклов материи, включая звездообразование и галактические выбросы».
Как и большинство моделей машинного обучения, новая модель исследователей обучается на одном наборе данных, а затем становится способной предсказывать результаты на основе нового набора данных. В данном случае модель включала запрограммированную нейронную сеть и обучалась на 300 симуляциях изолированной сверхновой в молекулярном облаке массой в миллион солнечных масс.
После обучения модель смогла предсказать плотность, температуру и 3D-скорости газа через 100 000 лет после взрыва сверхновой. По сравнению с прямыми численными симуляциями, такими как те, что выполняются суперкомпьютерами, новая модель дала схожие структуры и историю звездообразования, но заняла в четыре раза меньше времени для вычислений.
По словам Хирашимы, «наш ИИ-ассистированный подход позволит проводить высокоточные симуляции тяжелых галактик, таких как Млечный Путь, с целью предсказания происхождения Солнечной системы и элементов, необходимых для возникновения жизни».
В настоящее время лаборатория использует новую модель для проведения симуляции галактики размером с Млечный Путь.
Больше информации: Keiya Hirashima et al, ASURA-FDPS-ML: Star-by-star Galaxy Simulations Accelerated by Surrogate Modeling for Supernova Feedback, The Astrophysical Journal (2025). DOI: 10.3847/1538-4357/add689
Источник: RIKEN
ИИ: Это прорывное исследование демонстрирует, как машинное обучение может революционизировать астрофизику, сокращая время вычислений с лет до месяцев. В будущем подобные технологии могут помочь нам глубже понять происхождение Вселенной и даже найти ответы на вопросы о возникновении жизни.
0 комментариев