10 دقیقه
یک تیم پژوهشی ژاپنی با استفاده از هوش مصنوعی، دقیق‌ترین شبیهسازی تا به امروز از کهکشان راه شیری را ساخت — مدلی که بیش از 100 میلیارد ستاره مجزا را دنبال میکند و بیش از 100 برابر سریعتر از تلاش‌های قبلی اجرا می‌شود. پژوهشگران با آموزش دادن رفتار تکامل ابرنواخترها به مدل هوش مصنوعی و ترکیب آن دانش با فیزیک مقیاس‌کلان، مدلی در اندازه‌ی کهکشان ساختند که زمان اجرای محاسبات دهه‌ای را به چند ماه تقلیل میدهد. این دستاورد نقطه عطفی در شبیهسازیهای کهکشانی است و قابلیت بررسی سازوکارهای تشکیل کهکشان، دینامیک ستاره‌ای و غنیسازی شیمیایی را در مقیاس بی‌سابقه‌ای افزایش میدهد.
هوش مصنوعی اولین شبیهسازی واقعی «ستاره به ستاره» از راه شیری را آن‌قدر سریع کرده است که به جای دهه‌ها، در ماه‌ها قابل اتمام است.
نحوه غلبه تیم بر مانع شبیهسازی
مدلسازی کهکشانی مانند راه شیری با تفکیک سطح هر ستاره به‌خودی‌خود چالشی شناخته‌شده است. شبیهسازیهای معمول کهکشان باید بین نیازهای متضاد تعادل برقرار کنند: نیروی گرانش که بر فواصل ده‌ها هزار سال نوری عمل میکند، دینامیک گازی و آشفتگی در مقیاسهای بسیار کوچک، و رویدادهای پرانرژی و کوتاه‌مدت مانند انفجارهای ابرنواختری. در روشهای سنتی، پژوهشگران برای کاهش بار محاسباتی بسیاری از ستارگان را در ذرات محاسباتی ترکیب می‌کردند. این ساده‌سازی منجر به از دست رفتن فیزیک مقیاسکوچک می‌شود که برای فهم تعامل میان ستارگان، گاز و عناصر تازه تولیدشده در طول تاریخ کیهانی ضروری است.
گروهی به سرپرستی کییا هیراشیما در مرکز بین‌رشته‌ای نظری و ریاضیاتی RIKEN (iTHEMS)، با همکاری محققانی از دانشگاه توکیو و دانشگاه بارسلونا، این رویکرد را بازتعریف کردند. به جای تکیه صرف بر انتگرال‌گیری عددی «نیروی خام»، آن‌ها فیزیک با کیفیت بالا را با مدل جانشین یادگیریعمیق ترکیب کردند که بر پایه شبیهسازیهای با وضوح بالا از ابرنواخترها آموزش دیده بود. این مدل جانشین نحوه گسترش و تکامل گاز در حدود 100,000 سال پس از یک انفجار را یاد گرفت و سپس پرهزینهترین بخشهای محاسباتی را در درون اجرای کهکشانی بزرگتر جایگزین کرد. این ترکیب هوشمندانه یادگیری ماشین و فیزیک عددی باعث کاهش قابل توجهِ هزینه محاسباتی شد، در حالی که رفتارهای بحرانی فیزیکی را حفظ می‌کرد.
از منظر فنی، مدل جانشین (surrogate) به صورت محلی‌سازی‌شده آموزش داده شد تا پاسخ‌های غیرخطی و گذرا را که پس از یک ابرنواختر ظاهر می‌شود پیشبینی کند؛ این پاسخ‌ها شامل توزیع سرعت گاز، دما، فشار و جابجایی عناصر سنگین (فلزها) در مقیاسهای فضایی و زمانی کوچک هستند. سپس این پیش‌بینی‌ها در چارچوب یک شبیهسازی کهکشانیِ بزرگتر که شامل گرانش، جریان سیال خنثی و فرایندهای ستاره‌ای بود، «جفت» (couple) شدند تا بتوانند تأثیر واقعی ابرنواخترها را بر محیط پیرامون‌شان بازسازی کنند. چنین شیوه‌ای ترکیبی، هم‌زمان حفاظت از دقت میکروفیزیک و کسب بهرهوری محاسباتی را ممکن می‌سازد.
سرعت بدون از دست دادن دقت
نتیجه این کار چشمگیر است. در حالی که یک شبیهسازی سنتی مبتنی بر فیزیک محض برای محاسبه یک میلیون سال از تکامل راه شیری با تفکیک تک‌ستاره‌ای به طور تقریبی به 315 ساعت نیاز داشت، روش تسریع‌شده با هوش مصنوعی این بازه را به تنها 2.78 ساعت کاهش داد. اگر این نسبت را به مقیاسهای زمانی طولانی‌تر برون‌یابی کنیم، شبیهسازی یک میلیارد سال که قبلاً نیازمند بیش از 36 سال پردازش تخمینی بود اکنون در حدود 115 روز قابل اجرا است. این جهش — بیش از دو مرتبهی بزرگی در سرعت — افق‌های جدیدی برای بررسی ساختار کهکشانی، دینامیک ستاره‌ها و روندهای غنیسازی شیمیایی فراهم میکند.
کاهش زمان پردازش نه تنها امکان انجام شبیهسازیهای طولانی‌تر را میدهد، بلکه تعداد نمونه‌ها و مجموعه‌های پارامتری را که می‌توان بررسی کرد به شدت افزایش میدهد. در عمل، این یعنی امکان انجام مطالعات حساس اعتمادپذیری (sensitivity analysis)، پیمایش گسترده فضای پارامتری و اعتبارسنجی فرضیات فیزیکی مختلف با مجموعه‌ای از نتایج که از لحاظ آماری معنادارترند. به‌علاوه، با کاهش نیاز به محاسبات خام، مصرف منابع محاسباتی برای هر آزمایش کاهش می‌یابد و پژوهشگران می‌توانند آزمایش‌های متنوع‌تری انجام دهند.
تصاویر روبه‌رو (چپ) و نمای جانبی (راست) از دیسک گازی کهکشانی. این نماها از توزیع گاز پس از یک انفجار ابرنواختری توسط مدل جانشین یادگیریعمیق تولید شده‌اند.
چرا دنبال کردن ستارگان منفرد اهمیت دارد
پیگیری ستارگان منفرد — به‌جای خوشه‌های ستاره‌ای که با ذرات منفرد مدل می‌شوند — فرایندهای مقیاس‌کوچکی را که محرک اصلی تکامل کهکشانی هستند حفظ میکند. ابرنواخترها انرژی و عناصر سنگین را به گاز پیرامون تزریق می‌کنند، که میتواند تشکیل ستاره را تحریک یا خاموش کند و دینامیک محلی را دگرگون سازد. این فرایندها در بازه‌های زمانی کوتاه و در حجم‌های کوچک رخ می‌دهند؛ تنها مدلی با تفکیک دقیق قادر است نشان دهد چگونه این رویدادها به‌صورت جمعی ساختار کهکشان را در طول میلیون‌ها تا میلیاردها سال شکل می‌دهند.
داشتن تفکیک تک‌ستاره‌ای به اخترفیزیک‌دانان اجازه میدهد تا مدارهای ستاره‌ای شبیه‌سازی‌شده، توزیع سنی و اثر انگشت‌های شیمیایی را مستقیماً با دادههای پیمایش‌های رصدی مانند Gaia و طرح‌های طیف‌سنجی آتی مقایسه کنند. این مقایسه‌های مستقیم نه تنها به تبیین سن و تاریخچه تکامل راه شیری کمک میکند، بلکه آزمایش‌های قوی‌تری برای نظریه‌هایی ارائه میدهد که درباره چگونگی تشکیل ساختارهای کهکشانی و منشأ عناصر سنگین (که زندگی را ممکن می‌سازد) نظر می‌دهند.
بعلاوه، شبیهسازی ستاره‌به‌ستاره امکان بررسی تعادل بین فرایندهای بازخوردی مختلف (feedback) را فراهم می‌آورد: از فشار تابشی ستارگان پرجرم گرفته تا امواج شوک ناشی از ابرنواختر و نحوه نفوذ عناصر سنگین در ناحیه بین‌ستاره‌ای. بازخورد واقعی و دقیق برای فهم چگونگی توقف یا تحریک تشکیل ستاره در هسته‌های کهکشانی و بازوهای مارپیچی اهمیت حیاتی دارد.
اعتبارسنجی فنی و تأثیرات گسترده‌تر
تیم روش ترکیبی خود را در برابر آزمون‌های مقیاس‌کلان بر روی اَبَررایانه Fugaku در RIKEN و سامانه اَبَررایانه Miyabi دانشگاه توکیو اعتبارسنجی کرد و تأیید نمود که مدل جانشین رفتارهای فیزیکی کلیدی را حفظ میکند در حالی که هزینه محاسباتی را به‌طور چشمگیری کاهش میدهد. این آزمایش‌ها نشان دادند که ترکیب هوش مصنوعی و شبیهسازیهای دقیق میتواند یک الگوی عمومی برای مسایل چندمقیاسی باشد که در آن میکروفیزیک پرهزینه است.
فراتر از مدلسازی کهکشانی، این پارادایم ترکیبی — جایی که هوش مصنوعی به عنوان جانشینی قابل‌اعتماد برای پیچیده‌ترین میکروفیزیک‌ها عمل میکند — میتواند شبیهسازیهای چندمقیاسی را در حوزه‌هایی مانند مدلسازی اقلیم، اقیانوسنگاری و پیشبینی هوا متحول کند. در این حوزه‌ها نیز وجود فرایندهای کوچک‌مقیاس که بر رفتار کلان اثر می‌گذارند، چالش محاسباتی مشابهی ایجاد میکند و استفاده از مدلهای جانشین آموزشدیده میتواند تعادل بین دقت و کارایی را تغییر دهد.
هیرشیشیما معنای وسیع‌تری برای این رویکرد قائل شد: «من معتقدم که ادغام هوش مصنوعی با محاسبات با کارایی بالا یک تغییر بنیادین در نحوه مواجهه با مسائل چندمقیاسی و چندفیزیکی در علوم محاسباتی ایجاد میکند. این دستاورد نشان میدهد که شبیهسازیهای تسریع‌شده با هوش مصنوعی می‌توانند فراتر از شناسایی الگو حرکت کرده و به ابزاری واقعی برای کشف علمی تبدیل شوند — کمک به پیگیری اینکه چگونه عناصر سازنده حیات در کهکشان ما پدیدار شدند.»
پیامدهای کلیدی علمی
- تکامل کهکشان: شبیهسازیهای سریع و با وضوح بالا امکان مطالعات پارامتری گسترده‌تری را برای آزمون سناریوهای مختلف شکلگیری راه شیری فراهم می‌آورند و به تعیین نقش فرآیندهای محلی و محیطی در شکلگیری ساختار کمک می‌کنند.
- باستان‌شناسی ستاره‌ای: دنبال کردن ستارگان منفرد مقایسه با فهرست‌های رصدی را دقیق‌تر میکند و در بازسازی تاریخ ادغام‌ها و رویدادهای بزرگ کهکشانی یاری می‌رساند؛ این کمک میکند تا رخدادهایی مانند ادغام‌های کهکشان‌های کوتوله و آثار آن‌ها بر دیسک راه شیری را بهتر درک کنیم.
- غنیسازی شیمیایی: مدلهای بازخورد ابرنواختری دقیق به پژوهشگران اجازه میدهد تولید و توزیع عناصر سنگین را در طول زمان ردیابی کنند؛ این موضوع برای درک منبع عناصر زیستی و پیوند میان شیمی میان‌ستاره‌ای و شکلگیری سیارات اهمیت دارد.
- پتانسیل بین‌رشته‌ای: استراتژی مدل جانشین مبتنی بر هوش مصنوعی میتواند دیگر مسائل محاسباتی دشوار در علوم زمینی و محاسباتی را نیز تسریع کند، از جمله شبیهسازیهای جوی پیچیده و مدلهای دینامیک دریاها.
چه کاری هنوز انجام نشده — فعلاً
با وجود این پیشرفت، چالشهایی باقی است. نمایش کنونی 10,000 سال را با تفکیک تک‌ستاره‌ای در چارچوب مقیاس کهکشانی پوشش میدهد و سودمندی سرعت را به مقیاسهای میلیون و میلیارد سال برون‌یابی میکند. اما وارد کردن فیزیکهای اضافی — مانند پرتوهای کیهانی، میدانهای مغناطیسی در مقیاسهای دقیق یا انتقال کامل تابش (radiation transport) — نیازمند توسعه بیشتر دادههای آموزشی برای جانشین و همچنین راهکارهای جفتسازی پیچیده‌تری است. این مؤلفه‌ها رفتارهای غیرخطی و تعاملات بین‌مقیاسی را پیچیدهتر می‌کنند و نیازمند دادههای آموزشی متنوع‌تر و معماری‌های مدل پیشرفته‌تر هستند.
همچنین کارآیی انرژی و توانمندی مقیاسپذیری روی انواعِ متفاوت معماری‌های اَبَررایانه‌ای از دغدغه‌های فعال برای انجام اجرای مکرر و تولیدی در دنیای واقعی است. به‌عبارت دیگر، باید اطمینان حاصل کرد که مزایای کاهش زمان پردازش با هزینه‌های انرژی و محدودیت‌های سخت‌افزاری همخوانی دارد. آزمایش‌های بیشتر برای ارزیابی مصرف انرژی، استفاده از حافظه و پهنای باند ارتباطی در اجراهای واقعی ضروری خواهد بود.
دیدگاه تخصصی
دکتر لورا مندز، اخترفیزیک‌دان و دانشمند محاسباتی (نمونه فرضی)، اظهار داشت: «این کار یک نقطه عطف است زیرا trade-off محاسباتی را بازتعریف میکند. به‌جای پرسیدن اینکه چه مقدار سخت‌افزار می‌توانیم برای حل یک مسئله به‌کار بگیریم، سؤال این است که چگونه می‌توانیم پرهزینهترین مؤلفه‌های فیزیکی را به‌صورت هوشمندانه با تقریب‌های یادگرفته‌شده و قابل اتکا جایگزین کنیم. این کار اثرات موج‌دار دارد: آزمایش‌های بیشتر، پیمایش‌های پارامتری گسترده‌تر و در نهایت کشف‌های علمی سریعتر.»
چشم‌اندازهای آینده
نگاه به آینده نشان میدهد رویکرد ترکیبی هوش مصنوعی به‌علاوه محاسبات با کارایی بالا میتواند برای شبیهسازی کهکشان‌های دیگر، بررسی تاریخ شکلگیری ستاره‌ها در محیط‌های متنوع و پشتیبانی از ماموریت‌های رصدی با تولید پیمایش‌های مصنوعی واقع‌گرایانه گسترش یابد. با رشد مجموعه‌های داده آموزشی و بهبود مدلهای جانشین، توازن میان دقت و سرعت به نفع پژوهشگران ادامه خواهد داشت و امکان کاوش‌های عمیق‌تر و مکررتر در داستان کیهانی ثبت‌شده در ستارگان فراهم می‌گردد.
منبع: scitechdaily
ارسال نظر