AI首次模拟出包含千亿恒星的银河系

这项研究在国际超级计算大会SC '25上亮相，标志着天体物理学、高性能计算及人工智能辅助建模领域的重大进步。该策略同样可应用于大规模地球系统研究，包括气候与天气研究。

为何模拟每颗恒星如此困难
多年来，天体物理学家一直致力于构建能详细追踪每颗恒星的银河系模拟。这类模型能让研究者直接将星系演化、结构和恒星形成理论与观测数据对比。然而，准确模拟星系需要计算引力、流体行为、化学元素形成及超新星活动，且涉及巨大的时空范围，这使任务极具挑战性。

此前，科学家无法在保持单颗恒星精细度的同时模拟银河系这般大的星系。当前最先进的模拟能呈现约10亿个太阳质量的系统，远低于银河系1000多亿颗恒星的规模。因此，这些模型中最小的“粒子”通常代表约100颗恒星，这会平均化单颗恒星的行为，限制小尺度过程的准确性。挑战还与计算步长间隔有关：为捕捉超新星演化等快速事件，模拟必须以极小的时间增量推进。

缩短时间步长意味着计算量大幅增加。即便使用当今最佳的物理模型，逐星模拟银河系，每模拟100万年的星系演化约需315小时。按此速度，生成10亿年的演化过程需超过36年的实时时间。单纯增加超级计算机核心数不切实际，因为随着核心数增加，能耗会过高且效率下降。

新的深度学习方法
为克服这些障碍，平岛（Hirashima）及其团队设计了一种将深度学习替代模型与标准物理模拟相结合的方法。该替代模型通过高分辨率超新星模拟训练，学会在超新星爆发后10万年预测气体扩散，无需主模拟额外资源。这一AI组件使研究者能捕捉星系整体行为，同时模拟小尺度事件，包括单个超新星的精细细节。团队通过与日本理化学研究所（RIKEN）的Fugaku超级计算机和东京大学的Miyabi超级计算机系统上的大规模运行结果对比，验证了该方法。

这种方法能对拥有1000多亿颗恒星的星系实现真正的单星分辨率，且速度惊人：模拟100万年仅需2.78小时，这意味着模拟10亿年的活动约需115天，而非36年。

更广泛的气候、天气和海洋模拟潜力
这种混合AI方法可能重塑计算科学中许多需要连接小尺度物理与大尺度行为的领域。气象学、海洋学和气候模拟等领域面临类似挑战，或能从加速复杂多尺度模拟的工具中受益。

“我认为，将AI与高性能计算相结合，标志着我们解决计算科学中多尺度、多物理问题方式的根本转变，”平岛表示，“这一成果还表明，AI加速模拟不仅能用于模式识别，还能成为科学发现的真正工具——帮助我们追溯构成生命的元素如何在星系中形成。”