Pesquisadores liderados por Keiya Hirashima no Centro RIKEN para Ciências Teóricas e Matemáticas Interdisciplinares (iTHEMS) no Japão, em colaboração com parceiros da Universidade de Tóquio e da Universitat de Barcelona na Espanha, criaram a primeira simulação da Via Láctea capaz de rastrear 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 larga escala, incluindo pesquisas sobre clima e tempo.
Por que modelar cada estrela é tão difícil
Por muitos anos, os astrofísicos buscaram construir simulações da Via Láctea detalhadas o suficiente para acompanhar cada estrela individual. Esses modelos permitiriam que os pesquisadores comparassem teorias sobre a evolução galáctica, estrutura e formação de estrelas diretamente com dados observacionais. No entanto, simular uma galáxia de forma precisa exige calcular a gravidade, o comportamento de fluidos, a formação de elementos químicos e a atividade de supernovas em enormes intervalos de tempo e espaço, o que torna a tarefa extremamente exigente.
Os cientistas não conseguiram modelar uma galáxia tão grande quanto a Via Láctea, mantendo detalhes finos no nível de estrelas individuais. As simulações mais avançadas atuais podem representar sistemas com uma massa equivalente a cerca de um bilhão de sóis, bem aquém 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 average o comportamento das estrelas individuais e limita a precisão de processos em pequena escala. O desafio está ligado 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 timestep significa um esforço computacional significativamente maior. Mesmo com os melhores modelos baseados em física atuais, 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 de tempo real. Simplesmente adicionar mais núcleos de supercomputador não é uma solução prática, pois o consumo de energia se torna excessivo e a eficiência cai à medida que mais núcleos são adicionados.
Uma nova abordagem de aprendizado profundo
Para superar essas barreiras, Hirashima e sua equipe desenvolveram um método que combina um modelo de substituto de aprendizado profundo com simulações físicas padrão. O substituto foi treinado usando simulações de supernova de alta resolução e aprendeu a prever como o gás se espalha durante os 100.000 anos após uma explosão de supernova, sem exigir 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 de supernovas individuais. A equipe validou a abordagem comparando seus resultados com corridas em larga escala no supercomputador Fugaku da 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 faz isso com uma velocidade notável. Simular 1 milhão de anos levou apenas 2,78 horas, significando que 1 bilhão de anos poderia ser concluído em aproximadamente 115 dias em vez de 36 anos.
Potencial mais amplo para modelagem do clima, tempo e oceano
Essa abordagem hibrida de IA poderia reformular muitas áreas da ciência computacional que exigem a ligação da física em pequena escala com o comportamento em larga 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 integrar IA com computação de alto desempenho marca uma mudança fundamental em como abordamos problemas multi-escalas e multiphysics nas ciências computacionais,” afirma Hirashima. “Esta conquista também demonstra que simulações aceleradas por IA podem ir além do reconhecimento de padrões para se tornarem uma ferramenta genuína para a descoberta científica – ajudando-nos a rastrear como os elementos que formaram a própria vida emergiram dentro de nossa galáxia.”
