ガスの銀河円盤の正面図 (左) と側面図 (右) のスナップショット。超新星爆発後のガス分布のこれらのスナップショットは、深層学習サロゲート モデルによって生成されました。クレジット:理化学研究所 天体物理学者は、すべての星 (軌道、フレア、爆発) を手を抜くことなく追跡できる天の川のシミュレーションを実行することを常に夢見てきました。そして今、日本のチームがついにそれを成し遂げました。
理化学研究所学際理論数理科学研究センターの研究者らは、人工知能を使用して、東京大学およびバルセロナ大学の共同研究者らとともに、世界初の銀河の星ごとのシミュレーションを達成した。
この結果は、今週ハイパフォーマンス コンピューティング、ネットワーキング、ストレージ、分析に関する国際会議 (SC '25)で発表されました。 、最速のスーパーコンピューターでも処理できる限界を押し広げます。
「AI とハイパフォーマンス コンピューティングの統合は、計算科学全体にわたるマルチスケール、マルチ物理問題への取り組み方に根本的な変化をもたらすと信じています」と、筆頭著者である理化学研究所の平島敬也氏は述べています。
10 億粒子バリアを突破
これまで、銀河のモデリングには常に妥協が必要でした。シミュレーションには、個々の星の詳細な物理学、または銀河全体の大規模な構造のいずれかを含めることができますが、両方を含めることはできません。天の川サイズのシミュレーションでは通常、時間と計算能力を節約するために、数百の星の集まりを単一の「粒子」にまとめます。
そのボトルネックは、関係する時間と空間のスケールが大きく異なることに起因していました。超新星は数年かけて展開する可能性がありますが、銀河の進化は数十億年にわたって展開されます。数百万度で測定される爆発の過熱ガスは、絶対零度よりわずか 10 度高い冷たい分子雲と相互作用します。両方の現象を追跡するには、非常に小さいタイムステップが必要なので、世界最速のスーパーコンピューターでさえ、完了するまでに数十年の実時間を必要とするでしょう。
チームの論文の中で、平島氏らは、物理ベースのシミュレーションと深層学習の「サロゲート」モデルを統合したハイブリッド モデルを実行することで、彼らが「10 億粒子の壁」と呼ぶものをどのように突破したかについて説明しています。
超新星爆発の高解像度シミュレーションでトレーニングされたこのモデルは、膨張する高温ガスの雲が 10 万年にわたってどのように動作するかを学習しました。この知識により、メイン シミュレーションが銀河全体のダイナミクスの追跡を継続しながら、AI が局所的な活動のバーストを処理できるようになりました。
「この成果は、AI で高速化されたシミュレーションがパターン認識を超えて、科学的発見のための真のツールになる可能性があることも示しています。これは、生命そのものを形成する要素が銀河内でどのように出現したかを追跡するのに役立ちます。」
と平島氏は付け加えました。スーパーコンピューター銀河
これを実現するために、研究者らは日本の強力なスーパーコンピューターである富岳を、東京大学の Miyabi システムと Flatiron Institute の Rusty クラスターと併せて利用しました。富岳だけでも、700万個以上のCPUコアに相当する14万8900個のノードを使用し、合計3000億個のパーティクルを実行した。これは、これまでの銀河シミュレーションよりもはるかに優れています。
AI サロゲートが地元の花火を処理しました。モデルが爆発寸前の星を検出するたびに、周囲の領域を一連の「プール ノード」に送信し、ニューラル ネットワークが独立して処理できるようにしました。 AI は、システム全体の速度を低下させることなく、ガスと塵が今後 10 万年でどのように進化するかを予測し、その結果をメインの計算にフィードバックしました。
従来の設定では、100 万年の銀河時間をシミュレートするには 315 時間かかる可能性があります。新しい方法では、わずか 2.78 時間かかりました。つまり、10 億年（螺旋腕のゆっくりとした回転期間にほぼ相当）のシミュレーションが、36 年かかっていたのが約 115 日で実行できるようになりました。
シミュレーションは数万のプロセッサーにわたってスムーズに拡張され、最高の解像度でも効率を維持しました。合計すると、これまでの銀河スケールのモデルと比べて 100 倍の高速化が達成され、500 倍多くの粒子が使用されました。
新しい種類の宇宙顕微鏡
この AI 支援フレームワークは時間と空間の大きな違いを橋渡しするため、気候変動の予測から乱流の海洋流やプラズマ物理学のモデル化に至るまで、他の複雑なシステムに適用できる可能性があります。
「タイムステップが小さいという問題は、銀河シミュレーションに限らず、あらゆる高解像度シミュレーションに共通するものです」と著者らは書いている。 「シミュレーションのごく一部を深層学習サロゲート モデルに置き換える手法は、さまざまな分野にメリットをもたらす可能性があります。」
銀河内の物質循環。クレジット:NASA/JPL-Caltech、ESA、CSA、STScI。 天体物理学自体にとって、各星の物語を追跡できることは、星の誕生と消滅を何世代にもわたって物質がどのようにリサイクルされるかを示す地図を提供します。研究の中で、NASA が提供した図は、酸素、炭素、マグネシウム、鉄を含む新しい星を生み出す超新星爆発の宇宙サイクルを示しています。ある意味、あらゆるシミュレーションされた爆発は、天の川銀河がどのようにして地球のような惑星やそこに誕生した生命の材料を作ったのかを明らかにするのに役立ちます。
研究者の次のステップには、おそらく宇宙放射線、ブラックホールの降着、銀河間ガスの流入の影響を含む、モデルのさらなるスケーリングが含まれます。 AI がシミュレーションの構造そのものに組み込まれたことで、銀河は近い将来、単なる研究対象ではなく、宇宙の歴史をコンピュータで再現できる生きた実験室になるかもしれません。
