Reproducir la Vía Láctea estrella por estrella constituía una dificultad mayor para los científicos, debido a las limitaciones de cálculo impuestas por la naturaleza de los fenómenos astrofísicos.
Un equipo de investigadores japoneses, dirigido por Keiya Hirashima del centro RIKEN iTHEMS, en colaboración con la Universidad de Tokio y la Universidad de Barcelona, ha realizado una simulación galáctica sin precedentes. Esta modelización sigue más de 100 mil millones de estrellas individuales durante un período de 10.000 años, combinando la inteligencia artificial con métodos numéricos de alto rendimiento. Presentada en la conferencia
SC '25, este logro supera los modelos anteriores en número de estrellas y velocidad de ejecución, ofreciendo nuevas posibilidades para numerosos campos científicos.
Para superar las limitaciones de las simulaciones clásicas, los investigadores incorporaron un modelo alternativo basado en el aprendizaje profundo. Este fue entrenado con datos de alta resolución de explosiones de supernovas, aprendiendo a anticipar la dispersión del gas durante 100.000 años después del evento. Este método captura tanto los movimientos galácticos a gran escala como las particularidades como las supernovas, sin necesidad de los considerables recursos de los cálculos físicos detallados. La exactitud fue verificada mediante pruebas en las supercomputadoras Fugaku y Miyabi, garantizando la solidez de los resultados.
La velocidad de este enfoque es notable: modelar un millón de años de evolución galáctica requiere solo 2,78 horas, frente a las décadas anteriores. Así, mil millones de años podrían reproducirse en aproximadamente 115 días, un ahorro de tiempo significativo que permite investigaciones más profundas sobre la formación de galaxias y el origen de los elementos. Este rendimiento se basa en la capacidad de la IA para estimar los mecanismos elaborados sin comprometer la precisión.
Vistas frontal (izquierda) y de perfil (derecha) de un disco galáctico de gas. Estas instantáneas de la distribución gaseosa después de una supernova fueron generadas por el modelo alternativo de aprendizaje profundo.
Crédito: RIKEN
Más allá de la astrofísica, esta técnica presenta interés para otros sectores que necesitan simulaciones multi-escala, como la meteorología, la oceanografía y la climatología. En estas disciplinas, es fundamental conectar los procesos locales y globales para perfeccionar las predicciones. La combinación de la IA con el cálculo de alto rendimiento transforma la resolución de cuestiones científicas al permitir una modelización más rápida y exacta.
Keiya Hirashima indica que este logro representa un paso importante en la manera de abordar las cuestiones multi-físicas, donde la IA va más allá de la simple identificación de patrones para convertirse en un instrumento de descubrimiento. Contribuye a reconstruir cómo los elementos fundamentales de la vida aparecieron en la galaxia.
Funcionamiento de los modelos alternativos por IA
Los modelos alternativos en inteligencia artificial sirven como estimaciones rápidas de procesos físicos elaborados, evitando los cálculos pesados de las simulaciones tradicionales. Para la simulación galáctica, un modelo de aprendizaje profundo fue entrenado con datos de supernovas, aprendiendo a anticipar la expansión del gas durante largos períodos sin recalcular cada fase.
Este aprendizaje emplea simulaciones de alta resolución para capturar las dinámicas principales, permitiendo al modelo extender estos conocimientos a otras situaciones. Así, reproduce fielmente las consecuencias de las explosiones estelares en un marco galáctico más amplio, sin exigir los recursos de una supercomputadora especializada.
La formación de estos modelos se basa en conjuntos de datos importantes, producidos por simulaciones precisas que sirven como referencia. Para las supernovas, los científicos utilizaron modelos físicos completos para crear secuencias temporales de la difusión gaseosa, que la IA examinó para reconocer patrones recurrentes.
Una vez entrenado, el modelo alternativo puede incorporarse en simulaciones más grandes, donde reemplaza los cálculos costosos por anticipaciones inmediatas. Este enfoque reduce considerablemente la duración de los cálculos, manteniendo una precisión satisfactoria gracias a validaciones cruzadas con datos reales o pruebas en supercomputadoras.
Fuente: SC '25: Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis