Wissenschaftler haben die erste Simulation erstellt, die jeden einzelnen der 100 Milliarden Sterne der Milchstraße modelliert. Dabei nutzen sie KI, um galaxienskalige Physik 100-mal schneller als frühere Methoden durchzuführen.
Eine neue bahnbrechende KI-gestützte Simulation der Milchstraße ermöglicht Wissenschaftlern den bisher detailliertesten Einblick in die Entwicklung unserer Galaxie.
Das Modell verfolgt mehr als 100 Milliarden einzelne Sterne über einen Zeitraum von 10.000 Jahren der Evolution und bietet ein bemerkenswertes Auflösungsniveau, das Astrophysiker seit Jahrzehnten verfolgen.
Bisher bündelten die fortschrittlichsten Simulationen Sterne in große Gruppen und glätteten so die kleinräumige Physik, die das Wachstum und die Veränderung von Galaxien prägt.
Die neue Methode ändert das völlig. Durch die Kombination von Deep Learning mit traditioneller physikbasierter Modellierung konnte das Team eine Simulation im Galaxienmaßstab 100-mal schneller als frühere Techniken erstellen und dabei 100-mal mehr Sterne verwenden.
Warum die Simulation unserer Galaxie so schwierig war
Um zu verstehen, wie die Milchstraße entstand und sich weiterentwickelt, benötigen Wissenschaftler Modelle, die alles von der riesigen Spiralstruktur der Galaxie bis hin zum Verhalten einzelner Sterne und Supernovae erfassen.
Aber die damit verbundene Physik – Schwerkraft, Gasdynamik, chemische Anreicherung und explosiver Sterntod – entfaltet sich über völlig unterschiedliche Zeitskalen.
Um schnelle Ereignisse wie Supernova-Explosionen zu erfassen, muss die Simulation in winzigen Schritten voranschreiten, ein Prozess, der so rechenintensiv ist, dass die Modellierung einer Milliarde Jahre galaktischer Geschichte Jahrzehnte dauern könnte.
Die KI-Verknüpfung
Das Projekt ist eine Zusammenarbeit unter der Leitung der Forscherin Keiya Hirashima am RIKEN Center for Interdisciplinary Theoretical and Mathematical Sciences (iTHEMS) in Japan zusammen mit Kollegen der Universität Tokio und der Universität Barcelona. Es wurde kürzlich auf der SC’25 (International Conference for High Performance Computing, Networking, Storage, and Analysis) vorgestellt.
Hirashimas Team löste dieses Problem durch die Einführung eines Deep-Learning-Ersatzmodells. Mithilfe hochauflösender Simulationen des Supernova-Verhaltens lernte die KI, vorherzusagen, wie sich Gas in den 100.000 Jahren nach einer Explosion ausbreitet.
Die Hauptsimulation könnte dann viel schneller voranschreiten und gleichzeitig die Details einzelner Supernova-Ereignisse bewahren. Der Ansatz wurde anhand von Daten des japanischen Fugaku-Supercomputers und des Miyabi-Systems der Universität Tokio validiert.
Das Ergebnis ist eine vollständige Simulation der Milchstraße, die eine echte Einzelsternauflösung erreicht und weitaus effizienter abläuft.
Eine Million Jahre galaktischer Entwicklung dauern jetzt nur noch 2,78 Stunden, was bedeutet, dass eine Milliarde Jahre in etwa 115 Tagen statt in 36 Jahren simuliert werden könnten.
„Ein echtes Werkzeug für wissenschaftliche Entdeckungen“
Obwohl dieser Erfolg einen Meilenstein für die Astrophysik darstellt, reichen seine Auswirkungen weit über die Weltraumwissenschaft hinaus.
„Ähnliche Methoden wie unsere könnten auf Simulationen der Bildung großräumiger kosmischer Strukturen, der Akkretion von Schwarzen Löchern sowie auf Simulationen von Wetter, Klima und Turbulenzen angewendet werden“, heißt es in dem Papier.
Hybride KI-Physik-Methoden wie diese könnten diese Modelle erheblich beschleunigen und sie möglicherweise sowohl schneller als auch genauer machen.
„Ich glaube, dass die Integration von KI und Hochleistungsrechnen einen grundlegenden Wandel in der Art und Weise darstellt, wie wir multiskalige, multiphysikalische Probleme in den Computerwissenschaften angehen“, sagte Hirashima.
„Dieser Erfolg zeigt auch, dass KI-beschleunigte Simulationen über die Mustererkennung hinausgehen und zu einem echten Werkzeug für wissenschaftliche Entdeckungen werden können – und uns dabei helfen, zu verfolgen, wie die Elemente, die das Leben selbst bildeten, in unserer Galaxie entstanden sind“, fügte er hinzu.
Der nächste Schritt für das Team wird darin bestehen, die Technik weiter zu skalieren und ihre Anwendungen für die Modellierung des Erdsystems zu untersuchen.
