Создать модель Млечного Пути, в которой учитывается движение каждой звезды — задача, долгие годы считавшаяся фантастикой. Но объединение вычислительной физики и глубокого обучения изменило возможности науки. Исследователи центра iTHEMS RIKEN представили первую симуляцию, способную моделировать эволюцию всей галактики — более чем 100 миллиардов звёзд — на отрезке в 10 тысяч лет с рекордной точностью. Этот подход уже называют прорывом десятилетия: вычисления ускорились в сотни раз, а детализация достигла уровня, который ранее потребовал бы десятилетий работы даже от самых мощных суперкомпьютеров.
Секрет метода — в гибридной системе, где нейросеть берёт на себя расчёт локальных процессов, например поведения газа после вспышек сверхновых, а физическая модель управляет глобальной структурой галактики. Такое сочетание позволило не сглаживать быстро меняющиеся процессы и не терять нюансы, которые ранее исчезали при крупных шагах расчётов.
Галактика — это не статичная структура. Её динамика зависит от взаимосвязанных процессов:
• движение межзвёздного газа;
• образование звёзд;
• вспышки сверхновых и их ударные волны;
• влияние тёмной материи;
• турбулентность и нагрев газа;
• орбиты миллиардов звёзд.
Каждый процесс происходит в своём масштабе: от секунд до миллионов лет, от участков в несколько километров до галактических рукавов. Именно поэтому модели прошлого неизбежно упрощали картину: они считали поведение огромных массивов звёзд "пакетами", а быстрые изменения попросту терялись.
Детализировать процессы было невозможно — шаги расчётов становились слишком маленькими, и время моделирования увеличивалось в сотни раз. Даже суперкомпьютеры оказались бы беспомощными: моделирование миллиарда лет заняло бы 36 лет непрерывных вычислений.
Учёные создали вспомогательную нейросеть, обученную на сверхподробной симуляции взрыва сверхновой. Она научилась прогнозировать движение газа на период до 100 тысяч лет после вспышки.
Этот модуль встроили в основную физическую модель. В результате:
• глобальная структура Млечного Пути просчитывается точно;
• локальные явления обрабатываются нейросетью без снижения детализации;
• вычислительная нагрузка снижается в сотни раз.
Тесты на суперкомпьютерах Fugaku и Miyabi дали впечатляющие результаты:
1 млн лет эволюции галактики — за 2,78 часа;
1 млрд лет — около 115 дней, против прежних 36 лет.
Такой темп открывает двери к исследованиям, которые раньше оставались лишь теорией. Модели смогут просчитывать:
• формирование рукавов и спиральных структур;
• влияние сверхновых на звёздное население;
• миграцию звёзд внутри галактики;
• распределение тёмной материи;
• долгосрочную эволюцию межзвёздного газа;
• взаимодействие галактик и последствия их сближений.
Важно и то, что метод подходит не только для космологии — он применим в климатологии, океанологии и моделировании атмосферы.
| Параметр | Старые модели | Новая модель iTHEMS RIKEN |
| Детализация | Массы звёзд объединялись | Расчёт каждой звезды |
| Масштаб | До 1 млрд звёзд | До 100 млрд звёзд |
| Скорость | Десятилетия вычислений | Часы и дни |
| Воспроизведение сверхновых | Сильно упрощённое | Реалистичное, через нейросеть |
| Точность локальных процессов | Потери деталей | Максимальная |
| Возможность долгосрочного прогноза | Ограничена | Реальная |
(не инструкции читателю, а демонстрация научного подхода)
Выявляют расчёты, которые занимают 90% времени — например, моделирование газа.
Она нужна для обучения нейросети и даёт эталонные данные.
Нейросеть учится сразу на десятках тысяч сценариев локальных явлений.
Сначала проверяют работу на отдельных физических процессах.
ИИ начинает работать как ускоритель, разгружая суперкомпьютер.
Проверяют, насколько симуляция совпадает с астрономическими данными.
• Упрощение локальных процессов
→ потеря точности на больших масштабах
→ нейросетевые модули для тонких деталей.
• Полная передача расчётов нейросети
→ отсутствие физической интерпретации
→ гибридные модели "ИИ + физика".
• Слишком большие шаги расчётов
→ сглаживание быстрых явлений
→ переменные шаги и локальная детализация.
• Отказ от проверки результатов наблюдениями
→ риск некорректных сценариев
→ кросс-проверка с телескопами и каталогами звёзд.
Теоретически метод масштабируем — но потребуются гигантские вычислительные мощности. Однако уже сейчас понятно: если нейросети смогут заменять самые дорогие фрагменты расчётов, моделирование структуры Вселенной на уровне галактик станет реальным в течение ближайших десятилетий.
| Плюсы | Минусы |
| Огромное ускорение вычислений | Необходимость обучения на эталонных данных |
| Высокая точность | Возможны ошибки обобщения |
| Гибкость в масштабах | Сложность интеграции |
| Возможность долгосрочных прогнозов | Требуются суперкомпьютеры |
| Подходит для разных областей науки | Высокие требования к качеству исходных моделей |
Почему раньше нельзя было моделировать 100 млрд звёзд?
Потому что расчёты занимали бы десятилетия, а точность быстро деградировала.
Заменяет ли нейросеть физику?
Нет, она ускоряет расчёты, но сама модель остаётся физической.
Можно ли использовать метод в климатических моделях?
Да — он подходит везде, где мелкие процессы влияют на большие.
Как проверяется точность симуляции?
Сравнивают с наблюдениями и классическими высокоточными моделями.
Миф: ИИ сам создаёт физику галактики.
Правда: ИИ лишь ускоряет известные физические расчёты.
Миф: модель предсказывает будущее Млечного Пути.
Правда: она моделирует вероятные сценарии, а не абсолютное будущее.
Миф: теперь не нужны суперкомпьютеры.
Правда: нужны — но работают они гораздо эффективнее.
Интересно, что симуляции космоса влияют и на восприятие человеком собственного места во Вселенной. Исследования показывают: наблюдение за галактическими моделями снижает уровень стресса, формирует чувство "космической перспективы" и уменьшает субъективные тревоги. Именно поэтому визуализации Вселенной всё чаще используют в медиа, музеях и образовательных проектах.
Млечный Путь содержит от 100 до 400 млрд звёзд — точная цифра неизвестна.
Вспышки сверхновых происходят примерно раз в 50-100 лет.
Тёмная материя составляет около 90% массы галактики.
Самая быстрая известная звезда вращается со скоростью порядка 8 тыс. км/с.
• 1980-е — первые попытки численного моделирования галактик.
• 2000-е — развитие суперкомпьютеров, но всё ещё ограниченные модели.
• 2010-е — появление глубокого обучения.
• 2025 — первая гибридная симуляция, сочетающая ИИ и физику, на масштабах всей галактики.
Новая симуляция показывает, что ИИ может не только ускорять вычисления, но и становиться полноценным элементом научного инструментария. Это меняет подход к моделированию любых сложных систем — от галактик до климата — и открывает путь к исследованиям, которые десятилетиями считались невозможными.