Forschern aus Japan ist ein Durchbruch in der Galaxienmodellierung gelungen: Mithilfe von Künstlicher Intelligenz (KI) und hochauflösenden numerischen Simulationen haben sie das erste Modell der Milchstraße entwickelt, das über 100 Milliarden einzelne Sterne über einen Zeitraum von 10.000 Jahren der Galaxienentwicklung verfolgt.

Das Team erreichte diesen Meilenstein, indem es ein Deep-Learning-Modell mit fortschrittlichen numerischen Simulationstechniken kombinierte. Ihr Modell enthält 100-mal mehr Sterne als die bisher detailliertesten Simulationen und wurde über 100-mal schneller generiert.

Großer Schritt für KI-gestützte Modellierung

Die auf der internationalen Supercomputing-Konferenz SC '25 vorgestellte Arbeit markiert einen großen Schritt nach vorn für die Astrophysik, das Hochleistungsrechnen und die KI-gestützte Modellierung. Die gleiche Strategie könnte auch auf großskalige Erdsystemstudien angewendet werden, einschließlich Klima- und Wetterforschung.

Astrophysiker versuchen seit vielen Jahren, Simulationen der Milchstraße zu entwickeln, die detailliert genug sind, um jeden einzelnen Stern zu verfolgen. Solche Modelle würden es Forschern ermöglichen, Theorien zur Galaxienentwicklung, -struktur und Sternentstehung direkt mit Beobachtungsdaten zu vergleichen.

Zahlreiche Variablen berücksichtigt

Die genaue Simulation einer Galaxie erfordert jedoch die Berechnung von Gravitation, Fluidverhalten, chemischer Elementbildung und Supernovaaktivität über enorme Zeit- und Raumskalen, was die Aufgabe extrem anspruchsvoll macht.

Bisher konnten Wissenschaftler keine Galaxie von der Größe der Milchstraße modellieren und gleichzeitig feine Details auf der Ebene einzelner Sterne beibehalten. Aktuelle Simulationen können Systeme mit einer Gesamtmasse von etwa einer Milliarde Sonnen darstellen, weit unter den mehr als 100 Milliarden Sternen der Milchstraße.

Kleines Teilchen? 100 Sterne!

Infolgedessen repräsentiert das kleinste „Teilchen“ in diesen Modellen meist eine Gruppe von etwa 100 Sternen, was das Verhalten einzelner Sterne mittelt und die Genauigkeit kleinskaliger Prozesse begrenzt. Die Herausforderung hängt mit dem Intervall zwischen den Berechnungsschritten zusammen: Um schnelle Ereignisse wie die Entwicklung von Supernovae zu erfassen, muss die Simulation in sehr kleinen Zeitschritten voranschreiten.

Die Verkürzung der Zeitschritte bedeutet einen drastisch höheren Rechenaufwand. Selbst mit den besten physikbasierten Modellen von heute würde die Simulation der Milchstraße Stern für Stern etwa 315 Stunden für jede Million Jahre der galaktischen Entwicklung erfordern. In diesem Tempo würde die Generierung von 1 Milliarde Jahren Aktivität über 36 Jahre Echtzeit dauern. Das einfache Hinzufügen weiterer Supercomputer-Kerne ist keine praktikable Lösung, da der Energieverbrauch exzessiv wird und die Effizienz sinkt, wenn mehr Kerne hinzugefügt werden.

Ein neuer Deep-Learning-Ansatz

Um diese Barrieren zu überwinden, entwarf Hirashima mit seinem Team eine Methode, die ein Deep-Learning-Surrogat-Modell mit Standard-Physiksimulationen verbindet. Das Surrogat wurde mit hochauflösenden Supernova-Simulationen trainiert und lernte, die Ausbreitung von Gas während der 100.000 Jahre nach einer Supernova-Explosion vorherzusagen, ohne zusätzliche Ressourcen aus der Hauptsimulation zu benötigen.

Astronomie

Leoniden im November: Tipps zur optimalen Sternschnuppen-Beobachtung

Diese KI-Komponente ermöglichte es den Forschern, das Gesamtverhalten der Galaxie zu erfassen und gleichzeitig kleinskalige Ereignisse zu modellieren, einschließlich der feinen Details einzelner Supernovae.

Eine Milliarde Jahre in gut 115 Tagen

Die Methode bietet eine echte Auflösung einzelner Sterne für Galaxien mit mehr als 100 Milliarden Sternen, und das mit bemerkenswerter Geschwindigkeit. Die Simulation von einer Million Jahren dauerte nur 2,78 Stunden, was bedeutet, dass eine Milliarde Jahre in etwa 115 Tagen statt 36 Jahren abgeschlossen werden könnten.

Dieser hybride KI-Ansatz könnte viele Bereiche der Computerwissenschaft umgestalten, die eine Verknüpfung der kleinskaligen Physik mit dem großskaligen Verhalten erfordern. Bereiche wie Meteorologie, Ozeanographie und Klimamodellierung stehen vor ähnlichen Herausforderungen und könnten von Werkzeugen profitieren, die komplexe, multiskalige Simulationen beschleunigen.