摘要：日本理化学研究所跨学科理论与数学科学中心的平岛圭也领导的国际研究团队，开发出首个能够逐颗追踪超过1000亿颗恒星的银河系模拟系统。通过将深度学习代理模型与传统数值模拟相结合，该团队在保持单星分辨率的前提下，将模拟速度提升了100倍以上，仅需2.78小时即可完成
信息来源：https://www.sciencedaily.com/releases/2025/11/251116105515.htm
日本理化学研究所跨学科理论与数学科学中心的平岛圭也领导的国际研究团队，开发出首个能够逐颗追踪超过1000亿颗恒星的银河系模拟系统。通过将深度学习代理模型与传统数值模拟相结合，该团队在保持单星分辨率的前提下，将模拟速度提升了100倍以上，仅需2.78小时即可完成100万年的星系演化计算。这项在2025年国际超级计算大会上发表的成果，标志着计算天体物理学进入了新的时代，同时为气候模拟、海洋建模等多尺度物理问题提供了可复制的解决方案。
传统银河系模拟面临的核心困境在于计算资源的指数级增长需求。要准确再现星系演化，必须同时模拟引力相互作用、流体力学行为、化学元素合成以及超新星爆发等跨越极端时空尺度的物理过程。此前最先进的模拟只能达到约10亿太阳质量的规模，远低于银河系实际包含的1000多亿颗恒星。在这些模型中，每个"粒子"通常代表约100颗恒星的集合体，这种粗糙化处理无法捕捉单颗恒星层面的精细动力学过程。
超新星反馈的计算瓶颈
星系模拟的主要障碍在于超新星爆发过程的处理。当大质量恒星演化到生命末期，会发生剧烈爆炸，将核聚变产生的重元素抛射到周围空间，同时向星际介质注入巨大能量。这种"超新星反馈"对星系演化至关重要，它能够加热和驱散气体云，抑制新恒星的形成，并塑造星系的形态结构。然而超新星爆炸后气体壳层的快速膨胀要求极短的时间步长来准确追踪，否则会导致数值不稳定或物理错误。
使用传统纯物理模拟方法，即使在当今最强超级计算机上，逐星模拟银河系100万年的演化也需要约315小时。按照这个速度,模拟10亿年的活动将耗费超过36年的实时时间。简单增加计算核心数量并非可行方案,因为随着核心数增加,通信开销急剧上升,并行效率下降,而能耗也会达到难以接受的水平。以色列理工学院等机构的研究表明,传统N体-流体力学耦合模拟在处理大规模星系时面临根本性的可扩展性限制。
平岛圭也团队的创新在于引入机器学习代理模型来绕过这一瓶颈。他们首先使用高分辨率物理模拟生成了大量超新星爆发及其后续演化的训练数据。这些模拟在理化学研究所的富岳超级计算机和东京大学的雅超级计算机系统上运行,以微小的时间步长精确求解流体力学方程,捕捉超新星爆炸后10万年内气体的扩散、冷却、与周围介质的相互作用等复杂物理过程。
基于这些高保真训练数据,研究团队开发了一个深度神经网络代理模型,能够快速预测给定初始条件下超新星演化的结果,而无需主模拟程序逐步求解控制方程。这个代理模型经过严格验证,确保其预测结果在统计意义上与完整物理模拟一致。关键创新在于该模型学习的是超新星反馈的本质物理规律,而非简单的数据拟合,因此具有良好的泛化能力,可以应用于训练集之外的新场景。
混合架构的性能突破
在实际银河系模拟中,代理模型与传统N体-流体力学求解器紧密集成。引力计算、大尺度气体流动、恒星形成等过程仍使用数值方法处理,只有超新星反馈这一最耗时的环节被代理模型替代。当模拟中某颗大质量恒星达到寿命终点触发超新星爆发时,系统不再以极短时间步长跟踪爆炸细节,而是调用代理模型快速预测该事件对周围环境的长期影响,然后继续用较大时间步长推进整体演化。
这种混合方法被称为ASURA-FDPS-ML框架,其中ASURA代表早期开发的流体力学求解器,FDPS是高效并行粒子模拟库,ML指机器学习组件。该框架在处理银河系尺度问题时展现出卓越的可扩展性。研究团队在富岳超级计算机的700万个CPU核心上进行了强可扩展性测试,验证了系统能够高效利用如此庞大的计算资源。传统模拟方法在核心数超过百万量级时往往因通信延迟而效率骤降,但ASURA-FDPS-ML通过减少时间步数和优化数据传输,成功突破了这一限制。
性能提升的幅度令人瞩目。模拟100万年的银河系演化从315小时缩短至2.78小时,速度提升约113倍。这意味着原本需要36年才能完成的10亿年演化模拟,现在只需大约115天。对于天体物理研究而言,这种加速使得许多此前不可能的研究成为现实。科学家可以系统探索不同初始条件、不同物理参数对星系演化的影响,通过大量模拟建立统计样本,将理论预测与观测数据进行精确比对。
模拟的细节分辨率同样达到前所未有的水平。系统追踪的恒星数量超过1000亿颗,是早期最复杂模拟的100倍。每颗恒星都作为独立粒子处理,其轨道演化由引力N体算法计算,质量、金属丰度等物理属性随时间更新。气体成分则通过流体力学方程描述,分辨率足以捕捉分子云的碎裂、致密核的塌缩以及原恒星的诞生。这种真正的单星分辨率使研究人员能够直接将模拟结果与盖亚卫星等观测设备获取的银河系恒星数据进行一对一比较。
验证策略与物理保真度
新的人工智能增强模拟以前所未有的速度和细节对银河系中的每颗恒星进行建模。该技术解锁了星系尺度的真实感，同时也有望在气候和天气建模方面取得重大进展。图片来源：Shutterstock
确保代理模型不牺牲物理准确性是该研究的关键挑战。研究团队采用了多层次验证策略。首先在训练阶段,代理模型的预测与高分辨率基准模拟进行逐步对比,确保在各种超新星类型、周围密度条件、金属丰度环境下都能准确再现气体壳层的膨胀速度、温度分布、密度剖面等关键物理量。
更关键的是端到端系统级验证。研究团队使用ASURA-FDPS-ML框架模拟了若干小型星系,将结果与纯物理方法模拟的同一系统进行详细比较。对比内容包括恒星形成历史、气体质量演化、金属丰度分布、恒星运动学特性等多个维度。统计分析表明,两种方法在这些宏观可观测量上高度一致,证明代理模型成功捕捉了超新星反馈的本质效应。
这种验证方法借鉴了计算流体力学领域的成熟经验。在湍流模拟、气候建模等领域,采用大涡模拟、参数化方案等简化策略来处理无法直接求解的小尺度过程,已经是标准做法。关键在于确保简化模型保留了对大尺度行为具有统计重要性的物理机制。平岛团队的工作将这一理念推广到星系模拟领域,并通过机器学习方法实现了比传统参数化方案更高的精度和灵活性。
特别值得注意的是,代理模型并非完全黑盒。研究人员分析了神经网络学到的内部表示,发现其隐层激活模式与超新星物理的关键特征相对应。例如网络能够自动识别冷却不稳定性的发生,区分能量驱动外流和动量驱动激波,这些都是超新星反馈理论中的核心概念。这种可解释性增强了研究者对模型可靠性的信心。
跨领域应用前景
平岛圭也在接受采访时强调,这种混合AI-物理建模方法具有广泛的跨学科应用潜力。"我相信,将人工智能与高性能计算相结合标志着我们解决整个计算科学中多尺度、多物理场问题方式的根本性转变。这一成就还表明,AI加速的模拟可以超越模式识别,成为科学发现的真正工具。"
气候模拟是最有前景的应用领域之一。全球气候模型必须同时处理行星尺度的大气环流、中尺度的云团形成、微尺度的辐射传输和化学反应。目前的气候模型通常将水平分辨率限制在几十到几百公里,无法显式模拟对降水和极端天气至关重要的对流过程。这些小尺度过程只能通过参数化方案近似表示,是气候预测不确定性的主要来源。运用类似代理模型的方法,可以用高分辨率区域模拟训练神经网络,然后将其嵌入全球模型中,以较小的计算代价获得接近云分辨的效果。
海洋建模面临类似挑战。海洋中尺度涡旋、混合层过程、内波传播等现象跨越米到千公里的尺度范围。直接数值模拟全球海洋在米级分辨率上的演化在可预见未来不现实,但这些小尺度过程对海洋热量输送、碳循环、生态系统动力学都有重要影响。已有研究如Samudra项目展示了AI海洋模拟器的潜力,能够以远高于传统模型的速度预测海洋状态演变。
天气预报的数值模式同样可能受益。当前业务天气预报模型虽然性能不断提升,但在极端天气事件如台风快速增强、局地暴雨等方面的预报能力仍有不足。这些现象涉及云微物理、边界层湍流、地形强迫等需要千米甚至百米分辨率才能准确捕捉的过程。混合AI-物理方法提供了在全球模式中嵌入高分辨率物理而不导致计算成本爆炸的可能途径。
工程领域的复杂流体仿真也是潜在应用方向。航空航天设计中的湍流模拟、能源工业中的燃烧过程建模、环境工程中的污染物扩散预测,都面临多尺度物理耦合的挑战。传统上依赖经验公式和粗糙网格,但这限制了预测精度。通过在关键物理过程上引入由高保真模拟训练的代理模型,可望在保持计算可行性的前提下显著提升仿真质量。
当然,将这一方法推广到其他领域还需要克服特定挑战。不同物理系统的支配方程、时空尺度分离特征、主导物理机制都有差异,需要定制化的代理模型设计和训练策略。数据生成成本、模型泛化能力、长期积分稳定性等问题也需要系统研究。但平岛团队的工作提供了一个成功范例,证明了基本思路的可行性。
从更宏观的视角看,这项研究代表了科学计算范式的演进。传统数值模拟遵循"从第一性原理出发逐步求解"的思路,追求对所有细节的完整描述。这种方法在处理复杂系统时遭遇计算复杂度的指数墙。数据驱动的机器学习则走向另一极端,完全依赖统计关联而忽视物理定律。新兴的混合方法试图综合两者优势:在计算瓶颈处用数据驱动模型加速,同时保持整体物理一致性。这种"物理信息机器学习"正在多个领域蓬勃发展,银河系模拟的成功无疑将激励更多创新探索。
随着研究继续推进,平岛团队计划进一步优化代理模型的架构和训练方法,探索将该技术应用于其他类型星系如椭圆星系、不规则星系的可能性,并研究如何纳入更多物理过程如黑洞反馈、磁场效应等。他们还与实验天文学家密切合作,利用新模拟能力解释韦伯空间望远镜、盖亚卫星等观测平台提供的海量数据。从基础科学问题如银河系结构起源、重元素化学演化,到宇宙学问题如暗物质性质、星系形成理论,这个新工具有望催生一系列突破。
来源：人工智能学家
