Pesquisadores liderados por Keiya Hirashima do Centro RIKEN de Ciências Interdisciplinares Teóricas e Matemáticas (iTHEMS) do Japão, trabalhando com parceiros da Universidade de Tóquio e da Universidade de Barcelona na Espanha, criaram a primeira simulação da Via Láctea capaz de rastrear mais de 100 bilhões de anos eletrônicos de estrelas individuais. A equipe alcançou esse marco combinando inteligência artificial (IA) com técnicas avançadas de simulação numérica. O seu modelo continha 100 vezes mais estrelas e formou-se 100 vezes mais rápido do que as simulações anteriores mais sofisticadas.
O trabalho, apresentado na Conferência Internacional de Supercomputação SC ’25, marca um grande avanço para a astrofísica, computação de alto desempenho e modelagem assistida por IA. A mesma técnica pode ser aplicada a estudos do sistema terrestre em grande escala, incluindo pesquisas climáticas e meteorológicas.
Por que modelar todas as estrelas é tão difícil
Durante anos, os astrofísicos procuraram criar simulações da Via Láctea detalhadas o suficiente para seguir cada estrela individual. Tais modelos permitirão aos pesquisadores comparar diretamente as teorias da evolução galáctica, composição e formação estelar com dados observacionais. No entanto, simular com precisão uma galáxia requer o cálculo da gravidade, do comportamento dos fluidos, da composição química e da atividade de supernovas ao longo de um grande intervalo de tempo e espaço, tornando a tarefa extremamente exigente.
Os cientistas nunca antes conseguiram modelar uma galáxia tão grande como a Via Láctea, mantendo ao mesmo tempo detalhes finos ao nível de uma única estrela. As atuais simulações de última geração podem representar sistemas com massas equivalentes a cerca de mil milhões de Sóis, muito abaixo dos 100 mil milhões de estrelas que constituem a Via Láctea. Como resultado, a menor “partícula” nestes modelos representa normalmente um grupo de cerca de 100 estrelas, o que calcula a média do comportamento de estrelas individuais e limita a precisão dos processos de pequena escala. O desafio está ligado ao intervalo entre as etapas computacionais: para capturar eventos rápidos, como a evolução de supernovas, a simulação deve ser ampliada para um tempo muito curto.
Reduzir o intervalo de tempo significa um esforço computacional dramaticamente maior. Mesmo com os melhores modelos atuais baseados na física, simular a Via Láctea estrela por estrela exigiria cerca de 315 horas por 1 milhão de anos de evolução galáctica. Nesse ritmo, seriam necessários mais de 36 anos de tempo real para gerar mil milhões de anos de atividade. A simples adição de mais núcleos de supercomputadores não é uma solução prática, pois o consumo de energia torna-se excessivo e a eficiência diminui à medida que mais núcleos são adicionados.
Uma nova abordagem de aprendizagem profunda
Para superar esses obstáculos, Hirashima e sua equipe desenvolveram uma abordagem que combina um modelo substituto de aprendizado profundo com simulações físicas padrão. O substituto foi treinado usando simulações de supernovas de alta resolução e aprendeu a prever como o gás se dissipou nos 100.000 anos após a explosão da supernova, sem exigir recursos adicionais da simulação original. Este componente de IA permite aos pesquisadores capturar o comportamento geral das galáxias enquanto modelam eventos de pequena escala, incluindo os detalhes mais sutis de supernovas individuais. A equipe validou o método comparando os resultados com execuções em larga escala no supercomputador Fugaku da RIKEN e no sistema de supercomputador Miyabi de Tóquio.
O método fornece uma verdadeira resolução de estrelas individuais para galáxias com 100 mil milhões de estrelas, e fá-lo com uma velocidade notável. Foram necessárias apenas 2,78 horas para simular 1 milhão de anos, o que significa que 1 bilhão de anos poderiam ser completados em cerca de 115 dias, em vez de 36 anos.
Possibilidades mais amplas para modelagem climática, meteorológica e oceânica
Esta abordagem híbrida de IA poderia remodelar muitas áreas da ciência computacional que exigem a conexão da física em pequena escala com o comportamento em grande escala. Campos como meteorologia, oceanografia e modelagem climática enfrentam desafios semelhantes e podem se beneficiar de ferramentas que aceleram simulações complexas e em múltiplas escalas.
“Acredito que a integração da IA com a computação de alto desempenho marca uma mudança fundamental na forma como lidamos com problemas multiescalares e multifísicos na ciência computacional”, diz Hirashima. “Esta conquista também mostra que as simulações aceleradas por IA podem ir além do reconhecimento de padrões para se tornarem uma ferramenta real para a descoberta científica – ajudando-nos a rastrear como os elementos formadores de vida surgiram na nossa galáxia.”
