AI×巨型超算：實現3000億粒子的銀河系模擬

周一 · 知古通今 | 周二 · 牧夫專欄

周三 · 風月同天 | 周四 · 觀測指南

周五 · 深空探測 | 周六 · 茶余星話 | 周日 · 太空探索

主譯：畢逸飛

校對：鄒雲濤

審核：牧夫天文校對組

美編：張一帆

后臺：李子琦

銀河系由數千億顆恒星、氣體和暗物質構成。如果我們要理解這類星系在宇宙歷史中是如何誕生和演化的，關鍵就在于定量了解各個恒星的運動，以及大質量恒星發生超新星爆發后回歸星際氣體，再由星際氣體誕生新恒星等的相互作用。

雖然我們通過觀測可以較好地了解星系中恒星的軌道和重元素的分布等，但要用解析方法再現銀河歷史仍然困難，因此數值模擬在銀河研究中扮演著重要角色。要進行理想的模擬，需實際使用數千億個粒子來表示銀河，并盡可能縮短計算的時間步長。然而，這需要極其龐大的計算量，即便使用最先進的超級計算機也需要數年時間，因此過去不得不使用空間和時間分辨率遠低于真實銀河的粗糙模型來進行模擬。此外，超新星爆發等急劇變化僅發生在銀河的極小部分，如果以短時間步長精確追蹤這些現象，會降低整個銀河的計算速度，并導致使用多個處理器的并行處理效率顯著下降。

日本理化學研究所數理創造研究中心（iTHEMS）的平島敬也（Keiya Hirashima）先生及其研究團隊開發了一種方法，用AI 預測氣體運動的代理（Surrogate）模型來替代需要短時間步長的超新星爆發計算部分，并在小型星系的計算中驗證了其性能。

此次，平島等人新開發了AI 代理模型和計算硬件最優化框架，終于成功進行了銀河系規模的星系模擬。新的計算代碼將星系模擬的計算效率最多提高了約 20 倍。此外，通過在 GPU 上進行深度學習模型的學習，在 CPU 側進行模擬中的預測，也消除了 CPU 和 GPU 之間數據傳輸的等待時間。

平島等人在世界頂級規模的 CPU 型超級計算機 “富岳（Fugaku）”上，使用了15萬個節點（超過700萬個核心）的處理器，執行了總粒子數達3000億個的銀河模擬。過去的星系模擬最多止步于數十億粒子，而這次計算使空間分辨率提高了100倍以上，實現了世界首次解析至銀河系中每一顆恒星的“逐星（star-by-star）”模擬。

■銀河氣體分布

模擬所得的某一時刻銀河氣體分布（左：從上方俯視銀河盤，右：從側面觀察銀河盤）。顏色越明亮的部分密度越高（圖片來源：Hirashima et al. (2025)）

通過這項模擬，現在可以一致地追蹤各個恒星的超新星爆發，隨之產生的氣體加熱、膨脹、冷卻等過程以及銀河整體的演化。此外，諸如恒星形成率、銀河內外氣體流入流出率等銀河尺度上的統計量，也能以與傳統方法同等的精度再現。

今后，將運用此方法進行銀河的長時間演化計算，通過將恒星軌道、重元素豐度、年齡分布等直接與“蓋亞(Gaia)”空間天體測量衛星等的觀測數據相比較，有望驗證銀河旋臂、棒狀結構、厚盤等結構是如何形成的。同時，還能夠追蹤恒星形成和超新星爆發等如何引起星際氣體被加熱、攪拌，流出銀河或被重新吸入，從而貫通地研究氣體與元素的循環過程。該研究也有望觸及太陽系及生命材料物質是在銀河的何種環境中、何時生成并運送而來等根本性問題。

責任編輯：甘林

牧夫新媒體編輯部

『天文濕刻』 牧夫出品

微信公眾號：astronomycn

智利阿塔卡馬沙漠，圖源：ESO

謝謝閱讀