Reproduire la Voie lactée étoile par étoile constituait une difficulté majeure pour les scientifiques, en raison des limites de calcul imposées par la nature des phénomènes astrophysiques.
Une équipe de chercheurs japonais, dirigée par Keiya Hirashima du centre RIKEN iTHEMS, en collaboration avec l'Université de Tokyo et l'Université de Barcelone, a réalisé une simulation galactique inédite. Cette modélisation suit plus de 100 milliards d'étoiles individuelles sur une durée de 10 000 ans, en associant l'intelligence artificielle à des méthodes numériques performantes. Présentée lors de la conférence
SC '25, cette réalisation surpasse les modèles précédents en nombre d'étoiles et en vitesse d'exécution, offrant de nouvelles possibilités pour de nombreux domaines scientifiques.
Pour contourner les limitations des simulations classiques, les chercheurs ont incorporé un modèle alternatif reposant sur l'apprentissage profond. Celui-ci a été formé sur des données haute résolution d'explosions de supernovae, apprenant à anticiper la dispersion du gaz sur 100 000 ans après l'événement. Cette méthode saisit à la fois les mouvements galactiques à grande échelle et les particularités comme les supernovae, sans avoir besoin des ressources considérables des calculs physiques détaillés. L'exactitude a été contrôlée par des essais sur les supercalculateurs Fugaku et Miyabi, garantissant la solidité des résultats.
La vitesse de cette approche est notable: modéliser un million d'années d'évolution galactique ne demande que 2,78 heures, contre des décennies auparavant. Ainsi, un milliard d'années pourrait être reproduit en environ 115 jours, un gain de temps important qui autorise des investigations plus poussées sur la formation des galaxies et l'origine des éléments. Cette performance repose sur la faculté de l'IA à estimer les mécanismes élaborés sans compromettre la justesse.
Vues de face (gauche) et de profil (droite) d'un disque galactique de gaz. Ces instantanés de la distribution gazeuse après une supernova ont été générés par le modèle alternatif en apprentissage profond.
Crédit: RIKEN
Au-delà de l'astrophysique, cette technique présente un intérêt pour d'autres secteurs ayant besoin de simulations multi-échelles, comme la météorologie, l'océanographie et la climatologie. Dans ces disciplines, il est fondamental de connecter les processus locaux et globaux pour perfectionner les prévisions. L'association de l'IA avec le calcul haute performance modifie la résolution de questions scientifiques en autorisant une modélisation plus rapide et exacte.
Keiya Hirashima indique que cette réalisation représente une étape importante dans la manière d'aborder les questions multi-physiques, où l'IA va au-delà de la simple identification de motifs pour se muer en instrument de découverte. Elle contribue à reconstituer comment les éléments fondamentaux de la vie sont apparus dans la galaxie.
Fonctionnement des modèles alternatifs par IA
Les modèles alternatifs en intelligence artificielle servent d'estimations rapides de processus physiques élaborés, évitant les calculs lourds des simulations traditionnelles. Pour la simulation galactique, un modèle d'apprentissage profond a été instruit sur des données de supernovae, apprenant à anticiper l'expansion du gaz sur de longues durées sans recalculer chaque phase.
Cet apprentissage emploie des simulations haute résolution pour saisir les dynamiques principales, permettant au modèle d'étendre ces connaissances à d'autres situations. Ainsi, il reproduit fidèlement les conséquences des explosions stellaires dans un cadre galactique plus vaste, sans exiger les ressources d'un supercalculateur spécialisé.
La formation de ces modèles s'appuie sur des ensembles de données importants, produits par des simulations précises qui font office de référence. Pour les supernovae, les scientifiques ont utilisé des modèles physiques complets pour créer des séquences temporelles de la diffusion gazeuse, que l'IA a examinées pour reconnaître des motifs récurrents.
Une fois formé, le modèle alternatif peut être incorporé dans des simulations plus grandes, où il remplace les calculs coûteux par des anticipations immédiates. Cette démarche réduit fortement la durée des calculs, tout en conservant une justesse satisfaisante grâce à des validations croisées avec des données réelles ou des tests sur supercalculateurs.