Um Avanço Marcante

O trabalho, apresentado na conferência internacional de supercomputação SC ’25, representa um grande avanço para a astrofísica, computação de alto desempenho e modelagem assistida por IA. A mesma estratégia também pode ser aplicada a estudos de sistemas terrestres em grande escala, incluindo pesquisas sobre clima e tempo.

Por Que Modelar Cada Estrela É Tão Difícil

Por muitos anos, astrofísicos tentaram construir simulações da Via Láctea detalhadas o suficiente para acompanhar cada estrela individual. Esses modelos permitiriam que os pesquisadores comparassem teorias da evolução galáctica, estrutura e formação estelar diretamente aos dados observacionais. No entanto, simular uma galáxia com precisão requer o cálculo da gravidade, comportamento de fluidos, formação de elementos químicos e atividade de supernovas ao longo de enormes escalas de tempo e espaço, o que torna a tarefa extremamente desafiadora.

Cientistas não conseguiram modelar anteriormente uma galáxia tão grande quanto a Via Láctea enquanto mantinham detalhes refinados ao nível de estrelas individuais. As simulações de ponta atuais podem representar sistemas com a massa equivalente a cerca de um bilhão de sóis, muito aquém dos mais de 100 bilhões de estrelas que compõem a Via Láctea. Como resultado, a menor “partícula” nesses modelos geralmente representa um grupo de aproximadamente 100 estrelas, o que média o comportamento das estrelas individuais e limita a precisão dos processos em pequena escala. O desafio está relacionado ao intervalo entre passos computacionais: para capturar eventos rápidos como a evolução de supernovas, a simulação deve avançar em incrementos de tempo muito pequenos.

Reduzir o passo de tempo significa um esforço computacional dramaticamente maior. Mesmo com os melhores modelos baseados em física atualmente, simular a Via Láctea estrela por estrela exigiria cerca de 315 horas para cada 1 milhão de anos de evolução galáctica. A essa taxa, gerar 1 bilhão de anos de atividade levaria mais de 36 anos do tempo real. Simplesmente adicionar mais núcleos de supercomputadores não é uma solução prática, pois o uso de energia se torna excessivo e a eficiência diminui à medida que mais núcleos são adicionados.

Uma Nova Abordagem de Aprendizado Profundo

Para superar essas barreiras, Hirashima e sua equipe projetaram um método que combina um modelo de aprendizado profundo como substituto com simulações físicas padrão. O substituto foi treinado usando simulações de supernova de alta resolução e aprendeu a prever como o gás se espalha durante os 100.000 anos seguintes a uma explosão de supernova, sem necessitar de recursos adicionais da simulação principal. Esse componente de IA permitiu que os pesquisadores capturassem o comportamento geral da galáxia enquanto ainda modelavam eventos em pequena escala, incluindo os detalhes finos de supernovas individuais. A equipe validou a abordagem comparando seus resultados com corridas em larga escala no supercomputador Fugaku do RIKEN e no Sistema de Supercomputadores Miyabi da Universidade de Tóquio.

O método oferece verdadeira resolução de estrelas individuais para galáxias com mais de 100 bilhões de estrelas e faz isso com velocidade notável. Simular 1 milhão de anos levou apenas 2,78 horas, o que significa que 1 bilhão de anos poderia ser concluído em aproximadamente 115 dias em vez de 36 anos.

Pontencial Mais Amplio para Modelagem Climática, Meteorológica e Oceânica

Essa abordagem híbrida de IA pode transformar muitas áreas da ciência computacional que exigem a ligação de física em pequena escala com comportamento em grande escala. Campos como meteorologia, oceanografia e modelagem climática enfrentam desafios semelhantes e poderiam se beneficiar de ferramentas que acelerem simulações complexas e multiescala.

“Acredito que a integração da IA com a computação de alto desempenho marca uma mudança fundamental em como abordamos problemas de múltiplas escalas e múltiplas fisicas em todas as ciências computacionais,” diz Hirashima. “Essa conquista também demonstra que simulações aceleradas por IA podem ir além do reconhecimento de padrões para se tornarem uma verdadeira ferramenta para a descoberta científica – ajudando-nos a traçar como os elementos que formaram a própria vida emergiram dentro da nossa galáxia.”