日本理研团队利用深度学习技术，成功构建了一个包含 1000 亿颗恒星的高精度银河系模拟模型，首次实现了对单颗恒星演化的精细追踪。通过让 AI 接管复杂的超新星爆发预测，该模型不仅将模拟速度和规模同时提升了 100 倍，还为天文学以及气象、海洋等涉及多尺度物理问题的跨学科研究开辟了全新的路径。
告别“模糊”的银河系
银河系拥有超过 1000 亿颗恒星，想要在计算机中模拟如此庞大的系统一直是个巨大的挑战。
在此之前，即使是最先进的模型也存在明显的局限性：
- 规模限制： 只能模拟约 10 亿个太阳质量的规模。
- 分辨率低： 图像中的最小分辨率单位通常代表约 100 颗恒星的平均值，导致画面相对“模糊”，无法看清个体细节。
现在的这项突破，标志着 AI 辅助计算机建模的一个重要里程碑：研究人员终于创造出了一个能够追踪单颗恒星的银河系模拟。
AI 如何解决计算难题
这项突破的关键在于使用了一个 AI 深度学习代理（surrogate） 来解决最棘手的计算痛点——超新星行为。
当恒星爆炸（超新星爆发）时，会向太空喷射微细颗粒物质，模拟这一过程需要巨大的算力，一直是研究人员头疼的问题。理研团队采取了以下策略：
- 训练 AI： 向深度学习程序输入高分辨率的超新星模拟数据。
- 预测扩散： 教会 AI 预测超新星爆发后的气体在未来 10 万年内如何扩散。
- 释放算力： 由于 AI 接管了这些繁琐的微观计算，主模拟程序得以从沉重的负担中解脱出来，专注于宏观的银河系演化。
“让 AI 去处理繁琐的细节，剩下的模拟工作就能专注于宏观大局。”
速度与规模的双重飞跃
这种“混合建模”技术带来了惊人的效率提升。与迄今为止最好的模拟相比，新模型实现了：
- 星数规模提升 100 倍： 涵盖了银河系中绝大多数恒星。
- 生成速度提升 100 倍： 大幅缩短了研究周期。
超越天文学的广泛影响
这一新方法不仅是天文学的胜利，更为其他科学领域提供了新的工具。团队负责人 Keiya Hirashima 认为，这标志着计算科学处理多尺度、多物理问题的方式发生了根本性转变。
这种 AI 加速的模拟技术有望在以下领域发挥重要作用：
- 生命起源探索： 帮助追踪形成生命的元素是如何在银河系中出现的。
- 地球科学： 应用于海洋学、气象学和气候变化的研究，解决复杂的环境模拟问题。
“这一成就表明，AI 加速模拟已经超越了单纯的模式识别，成为了科学发现的真正工具。”