Pesquisadores liderados por Keiya Hirashima no Centro RIKEN de Ciências Teóricas e Matemáticas Interdisciplinares (iTHEMS) no Japão, em parceria com a Universidade de Tóquio e a Universitat de Barcelona na Espanha, criaram a primeira simulação da Via Láctea capaz de acompanhar mais de 100 bilhões de estrelas individuais ao longo de 10 mil anos de evolução. A equipe alcançou esse marco ao combinar inteligência artificial (IA) com técnicas avançadas de simulação numérica. Seu modelo inclui 100 vezes mais estrelas do que as simulações anteriores mais sofisticadas e foi gerado mais de 100 vezes mais rápido.
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 poderia ser aplicada a estudos de sistemas terrestres em grande escala, incluindo pesquisas sobre clima e tempo.
Por que modelar cada estrela é tão difícil
Durante muitos anos, os astrofísicos têm tentado construir simulações da Via Láctea detalhadas o suficiente para acompanhar cada estrela individual. Esses modelos permitiriam que os pesquisadores comparassem teorias de evolução galáctica, estrutura e formação estelar diretamente com dados observacionais. No entanto, simular uma galáxia com precisão requer calcular a gravidade, o comportamento de fluidos, a formação de elementos químicos e a atividade de supernova ao longo de enormes intervalos de tempo e espaço, o que torna a tarefa extremamente desafiadora.
Os cientistas ainda não conseguiram modelar uma galáxia tão grande quanto a Via Láctea, mantendo um nível de detalhe fino no nível das estrelas individuais. As simulações de ponta atuais podem representar sistemas com massa equivalente a cerca de um bilhão de sóis, bem abaixo dos mais de 100 bilhões de estrelas que compõem a Via Láctea. Como resultado, a menor “partícula” nesses modelos geralmente representa um grupo de cerca de 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 os 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 drasticamente maior. Mesmo com os melhores modelos físicos disponíveis hoje, simular a Via Láctea estrela por estrela exigiria cerca de 315 horas para cada 1 milhão de anos de evolução galáctica. Nesse ritmo, gerar 1 bilhão de anos de atividade levaria mais de 36 anos em tempo real. Simplesmente adicionar mais núcleos de supercomputadores não é uma solução prática, pois o consumo 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 com simulações físicas padrão. O modelo de substituição foi treinado usando simulações de supernovas em alta resolução e aprendeu a prever como o gás se espalha durante os 100.000 anos após uma explosão de supernova, sem precisar 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 das supernovas individuais. A equipe validou a abordagem comparando seus resultados com execuções 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 o faz com notável velocidade. Simular 1 milhão de anos levou apenas 2,78 horas, o que significa que 1 bilhão de anos poderia ser completado em aproximadamente 115 dias em vez de 36 anos.
POTENCIAL MAIS AMPLO PARA MODELAGEM CLIMÁTICA, DO TEMPO E DOS OCÉANOS
Essa abordagem híbrida de IA pode reformular muitas áreas da ciência computacional que exigem a ligação da física em pequena escala com o comportamento em grande escala. Campos como meteorologia, oceanografia e modelagem climática enfrentam desafios semelhantes e poderiam se beneficiar de ferramentas que aceleram simulações complexas em múltiplas escalas.
“Acredito que a integração de IA com computação de alto desempenho marca uma mudança fundamental na forma como abordamos problemas multi-escala e multifísicos em todas as ciências computacionais”, diz Hirashima. “Essa conquista também mostra que simulações aceleradas por IA podem ir além do reconhecimento de padrões para se tornarem uma verdadeira ferramenta para descobertas científicas – ajudando-nos a rastrear como os elementos que formaram a própria vida surgiram dentro da nossa galáxia.”
