Моделирование целой галактики долго считалось задачей, слишком громоздкой даже для самых мощных суперкомпьютеров. Но японская команда исследователей сделала то, что раньше выглядело научной фантастикой: создала первую в мире симуляцию Млечного Пути, в которой учитывается каждая отдельная звезда — более ста миллиардов объектов.
Такого масштаба удалось добиться только благодаря необычному подходу, объединившему классическое физическое моделирование и нейросетевую часть, выполняющую самые "тяжёлые" операции. Итог впечатляет: цифровой Млечный Путь развивается быстрее, чем человек успевает досчитать до тысячи.
Млечный Путь — это гигантская смесь процессов, которые живут на разных временных шкалах. Одни события, такие как вращение звёзд, длятся миллиарды лет. Другие — например, взрывы сверхновых — укладываются в секунды. Компьютер должен одновременно учитывать и то, и другое, но для этого симуляции нужен крошечный временной шаг, который в обычных моделях превращал расчёты в бесконечную задачу.
Традиционные подходы работали по упрощённому принципу: одна "звезда" в модели весила около ста солнечных масс. Это позволяло хоть как-то справляться с нагрузкой, но делало галактику сильно упрощённой. Чтобы моделировать каждый объект отдельно, потребовались бы десятилетия вычислений.
Суперкомпьютеру Fugaku с 7,6 миллионами ядер требовалось бы 315 часов реального времени, чтобы просчитать миллион лет галактической жизни. Миллиард лет — это уже 36 лет непрерывной работы. И даже увеличение количества ядер ситуацию не спасало: при слишком больших масштабах процессоры начинают мешать друг другу обменом данных.
Исследователи решили избавить симуляцию от самой "дорогой" операции — расчёта взрывов сверхновых. Они заранее создали тысячи подробных моделей таких взрывов, передали их нейросети и обучили её предсказывать, как будет расширяться газовое облако в ближайшие сто тысяч лет. Теперь, когда в симуляции происходит сверхновая, процессор не решает сложные уравнения. Он просто спрашивает у нейросети: "Что дальше?" — и получает готовый ответ за доли секунды.
Остальная физика при этом остаётся точной: гравитация, гидродинамика, процессы звездообразования продолжают рассчитываться обычным способом. Получается гибридная система, где нейросеть берет на себя самые трудоёмкие фрагменты, как виртуоз, исполняющий заранее записанные партии оркестра.
100 миллиардов индивидуальных звёзд — в сто раз больше, чем в любой предыдущей модели
Массовое разрешение — 1 солнечная масса вместо минимальных 100
1 миллион лет эволюции галактики считается за 2,8 часа
1 миллиард лет — за 115 дней, а не за 36 лет
Использовано 7 миллионов ядер Fugaku и системы Miyabi
Энергозатраты снижены более чем в сто раз
Визуализации показывают спиральные рукава, распределение металлов и газовые потоки, которые почти неотличимы от снимков реальной галактики. Для астрофизиков это открывает возможность изучать образование тяжёлых элементов — кислорода, железа, углерода — в условиях, максимально похожих на настоящие.
Теперь можно детально проследить, как именно формируются звездные популяции, как распределяются элементы, почему структура галактики имеет именно такой вид. Главное новшество — возможность запускать десятки вариантов одной и той же модели, меняя исходные условия. Это становится инструментом, который позволяет сравнивать теории между собой и проверять, какие из них ближе к реальности.
| Параметр | Классические модели | Гибридная модель |
| Количество звёзд | До 1 млрд | 100 млрд |
| Масса одной частицы | 100 солнц | 1 солнце |
| Время моделирования 1 млрд лет | ~36 лет | 115 дней |
| Моделирование сверхновых | Полный расчёт | Нейросеть-предсказатель |
| Энергопотребление | Очень высокое | В 100+ раз ниже |
Подбирают набор физических процессов, которые определяют жизнь галактики.
Создают детальные симуляции взрывов сверхновых для обучения нейросети.
Интегрируют обученную модель в вычислительный код.
Настраивают распределение задач между миллионами процессорных ядер.
Запускают симуляцию и отслеживают эволюцию звёзд, газа и элементов.
Ошибка: моделировать всё "в лоб", без оптимизации.
Последствие: многолетние вычисления.
Альтернатива: использовать нейросети для самых дорогих процессов.
Ошибка: масштабировать модель только за счёт новых ядер.
Последствие: перегрузка каналов обмена данными.
Альтернатива: снижать нагрузку за счёт гибридных методов.
Ошибка: уменьшать точность, увеличивая массу моделей звёзд.
Последствие: потеря правдоподобия.
Альтернатива: использовать массу 1 солнечной единицы благодаря ускорению ИИ.
Что если такой подход применить к климату? Тогда можно будет считать глобальные изменения климата и отдельный ураган в одном расчёте.
Что если применить метод к океану? Модели смогут учитывать и крупные течения, и мельчайшие вихри.
Что если перенести идею в медицину? Одновременно моделировать кровоток и поведение отдельных клеток внутри сосудов — реальная перспектива.
| Аспект | Плюсы | Минусы |
| Скорость | Огромное ускорение расчётов | Требуется большой объём обучающих данных |
| Точность | Масштабная и детальнаая симуляция | Сложность валидации |
| Масштабируемость | Подходит для гигантских систем | Высокая стоимость вычислительных ресурсов |
| Гибкость | Можно менять начальные условия | Требует сложной интеграции |
Можно ли моделировать другие галактики?
Да, этот подход масштабируем — ограничения теперь меньше зависят от физики и больше от мощности суперкомпьютера.
Заменяет ли ИИ физику?
Нет, он только предсказывает результат заранее просчитанных процессов.
Станут ли такие модели доступнее?
Со временем — да. По мере удешевления вычислительных мощностей и улучшения архитектур.
Миф: нейросети делают симуляцию "ненастоящей".
Правда: основная физика остаётся неизменной, ИИ лишь ускоряет тяжёлые фрагменты.
Миф: достаточно добавить больше процессоров, и всё заработает быстрее.
Правда: обмен данными между ядрами ограничивает масштабирование.
Миф: симуляции нужны только астрофизикам.
Правда: методы уже адаптируют для климата, медицины и океанологии.
Первые попытки смоделировать галактики появились в середине XX века, но они использовали тысячи "частиц" вместо звёзд. В 1990-х модели выросли до миллионов объектов. Однако истинно реалистичная симуляция с учётом каждого объекта считалась недостижимой: ни одна вычислительная архитектура не справлялась с такими масштабами. Прорыв японских исследователей стал логическим результатом двух направлений — развития суперкомпьютеров и взлёта ИИ.
Впервые модель включает количество звёзд, сопоставимое с реальным Млечным Путём.
Время расчёта одной галактической эпохи уменьшилось с десятилетий до нескольких месяцев.
Такие симуляции позволяют проследить происхождение элементов, из которых состоит человеческое тело.