Investigadores dirigidos por Keiya Hirashima del Centro RIKEN de Ciencias Interdisciplinarias Teóricas y Matemáticas de Japón (iTHEMS), en colaboración con socios de la Universidad de Tokio y la Universidad de Barcelona en España, han creado la primera simulación de la Vía Láctea capaz de rastrear más de 100 mil millones de años-e de estrellas individuales. El equipo logró este hito combinando inteligencia artificial (IA) con técnicas avanzadas de simulación numérica. Su modelo contenía 100 veces más estrellas y se formó 100 veces más rápido que las simulaciones anteriores más sofisticadas.
El trabajo, presentado en la Conferencia Internacional de Supercomputación SC ’25, marca un gran paso adelante para la astrofísica, la computación de alto rendimiento y el modelado asistido por IA. La misma técnica se puede aplicar a estudios del sistema terrestre a gran escala, incluidas las investigaciones sobre el clima y el tiempo.
¿Por qué modelar cada estrella es tan difícil?
Durante años, los astrofísicos han intentado crear simulaciones de la Vía Láctea lo suficientemente detalladas como para seguir cada estrella individual. Dichos modelos permitirán a los investigadores comparar directamente las teorías de la evolución, composición y formación de estrellas galácticas con datos de observación. Sin embargo, simular con precisión una galaxia requiere calcular la gravedad, el comportamiento de los fluidos, la composición química y la actividad de las supernovas en un amplio rango de tiempo y espacio, lo que hace que la tarea sea extremadamente exigente.
Los científicos nunca antes habían podido modelar una galaxia tan grande como la Vía Láctea manteniendo al mismo tiempo los detalles finos al nivel de una sola estrella. Las simulaciones actuales con los últimos avances pueden representar sistemas con masas equivalentes a unos mil millones de soles, muy por debajo de los 100 mil millones de estrellas que forman la Vía Láctea. Como resultado, la “partícula” más pequeña en estos modelos normalmente representa un grupo de aproximadamente 100 estrellas, lo que promedia el comportamiento de estrellas individuales y limita la precisión de los procesos a pequeña escala. El desafío está ligado al intervalo entre los pasos computacionales: para capturar eventos rápidos como la evolución de una supernova, la simulación debe ampliarse a un tiempo muy corto.
Reducir el paso de tiempo significa un esfuerzo computacional dramáticamente mayor. Incluso con los mejores modelos actuales basados en la física, simular la Vía Láctea estrella por estrella requeriría alrededor de 315 horas por cada millón de años de evolución galáctica. A ese ritmo, se necesitarían más de 36 años de tiempo real para generar mil millones de años de actividad. Simplemente agregar más núcleos de supercomputadora no es una solución práctica, ya que el consumo de energía se vuelve excesivo y la eficiencia disminuye a medida que se agregan más núcleos.
Un nuevo enfoque de aprendizaje profundo
Para superar estos obstáculos, Hirashima y su equipo diseñaron un enfoque que combina un modelo sustituto de aprendizaje profundo con simulaciones físicas estándar. El sustituto fue entrenado mediante simulaciones de supernovas de alta resolución y aprendió a predecir cómo se disipó el gas en los 100.000 años posteriores a la explosión de la supernova sin requerir recursos adicionales de la simulación original. Este componente de IA permite a los investigadores capturar el comportamiento general de las galaxias y al mismo tiempo modelar eventos a pequeña escala, incluidos los detalles más finos de las supernovas individuales. El equipo validó el método comparando los resultados con ejecuciones a gran escala en la supercomputadora Fugaku de RIKEN y el sistema de supercomputadora Miyabi de Tokio.
El método proporciona una verdadera resolución de estrellas individuales para galaxias con 100 mil millones de estrellas, y lo hace a una velocidad notable. Se necesitaron sólo 2,78 horas para simular 1 millón de años, lo que significa que 1.000 millones de años podrían completarse en unos 115 días en lugar de 36 años.
Mayores posibilidades para la modelización del clima, el tiempo y los océanos
Este enfoque híbrido de IA podría remodelar muchas áreas de la ciencia computacional que requieren conectar la física a pequeña escala con el comportamiento a gran escala. Campos como la meteorología, la oceanografía y la modelización climática enfrentan desafíos similares y pueden beneficiarse de herramientas que aceleran simulaciones complejas a múltiples escalas.
“Creo que la integración de la IA con la informática de alto rendimiento marca un cambio fundamental en la forma en que abordamos problemas multiescala y multifísica en la ciencia computacional”, dice Hirashima. “Este logro también muestra que las simulaciones aceleradas por IA pueden ir más allá del reconocimiento de patrones para convertirse en una herramienta real para el descubrimiento científico, ayudándonos a rastrear cómo surgieron los elementos que formaron vida dentro de nuestra galaxia”.
