Die Milchstraße Stern für Stern nachzubilden stellte für Wissenschaftler eine große Herausforderung dar, aufgrund der Rechengrenzen, die durch die Natur astrophysikalischer Phänomene auferlegt werden.
Ein Team japanischer Forscher unter der Leitung von Keiya Hirashima vom RIKEN iTHEMS-Zentrum, in Zusammenarbeit mit der Universität Tokio und der Universität Barcelona, hat eine beispiellose galaktische Simulation durchgeführt. Diese Modellierung verfolgt über 100 Milliarden einzelne Sterne über einen Zeitraum von 10.000 Jahren, indem sie künstliche Intelligenz mit leistungsstarken numerischen Methoden kombiniert. Präsentiert auf der Konferenz
SC '25, übertrifft diese Leistung frühere Modelle in Bezug auf die Anzahl der Sterne und die Ausführungsgeschwindigkeit und eröffnet neue Möglichkeiten für viele wissenschaftliche Bereiche.
Um die Grenzen klassischer Simulationen zu umgehen, integrierten die Forscher ein alternatives Modell, das auf Deep Learning basiert. Dieses wurde mit hochauflösenden Daten von Supernova-Explosionen trainiert und lernte, die Ausbreitung des Gases über 100.000 Jahre nach dem Ereignis vorherzusagen. Diese Methode erfasst sowohl die großskaligen galaktischen Bewegungen als auch Besonderheiten wie Supernovae, ohne die erheblichen Ressourcen detaillierter physikalischer Berechnungen zu benötigen. Die Genauigkeit wurde durch Tests auf den Supercomputern Fugaku und Miyabi überprüft, um die Robustheit der Ergebnisse zu gewährleisten.
Die Geschwindigkeit dieses Ansatzes ist bemerkenswert: Die Modellierung von einer Million Jahren galaktischer Entwicklung erfordert nur 2,78 Stunden, verglichen mit Jahrzehnten zuvor. So könnte eine Milliarde Jahre in etwa 115 Tagen nachgebildet werden, ein erheblicher Zeitgewinn, der tiefgehendere Untersuchungen zur Galaxienentstehung und dem Ursprung der Elemente ermöglicht. Diese Leistung basiert auf der Fähigkeit der KI, komplexe Mechanismen abzuschätzen, ohne die Genauigkeit zu beeinträchtigen.
Draufsicht (links) und Seitenansicht (rechts) einer galaktischen Gasscheibe. Diese Momentaufnahmen der Gasverteilung nach einer Supernova wurden vom alternativen Deep-Learning-Modell erzeugt.
Quelle: RIKEN
Über die Astrophysik hinaus ist diese Technik auch für andere Bereiche von Interesse, die mehrskalige Simulationen benötigen, wie Meteorologie, Ozeanographie und Klimatologie. In diesen Disziplinen ist es grundlegend, lokale und globale Prozesse zu verbinden, um Vorhersagen zu verbessern. Die Kombination von KI mit Hochleistungsrechnen verändert die Lösung wissenschaftlicher Fragen, indem sie eine schnellere und genauere Modellierung ermöglicht.
Keiya Hirashima weist darauf hin, dass diese Leistung einen wichtigen Schritt in der Herangehensweise an multiphysikalische Fragen darstellt, bei der KI über die bloße Mustererkennung hinausgeht und sich in ein Werkzeug der Entdeckung verwandelt. Sie trägt dazu bei, nachzuvollziehen, wie die grundlegenden Bausteine des Lebens in der Galaxie entstanden sind.
Funktionsweise alternativer KI-Modelle
Alternative Modelle der künstlichen Intelligenz dienen als schnelle Schätzer für komplexe physikalische Prozesse und umgehen die rechenintensiven Berechnungen traditioneller Simulationen. Für die galaktische Simulation wurde ein Deep-Learning-Modell mit Supernova-Daten trainiert, um die Gasausbreitung über lange Zeiträume vorherzusagen, ohne jede Phase neu zu berechnen.
Dieses Lernen nutzt hochauflösende Simulationen, um die Hauptdynamiken zu erfassen, und ermöglicht es dem Modell, dieses Wissen auf andere Situationen zu übertragen. So reproduziert es zuverlässig die Folgen von Sternexplosionen in einem größeren galaktischen Rahmen, ohne die Ressourcen eines spezialisierten Supercomputers zu benötigen.
Die Ausbildung dieser Modelle stützt sich auf umfangreiche Datensätze, die durch präzise Referenzsimulationen erzeugt werden. Für Supernovae verwendeten die Wissenschaftler vollständige physikalische Modelle, um Zeitsequenzen der Gasausbreitung zu erstellen, die die KI analysierte, um wiederkehrende Muster zu erkennen.
Einmal trainiert, kann das alternative Modell in größere Simulationen integriert werden, wo es aufwändige Berechnungen durch sofortige Vorhersagen ersetzt. Dieser Ansatz verkürzt die Rechenzeit erheblich, bewahrt aber durch Kreuzvalidierungen mit realen Daten oder Tests auf Supercomputern eine zufriedenstellende Genauigkeit.
Quelle: SC '25: Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis