La Voie lactée abrite plus de 100 milliards d’étoiles, et chacune suit sa propre trajectoire évolutive : naissance, vie, puis parfois une fin brutale.
Depuis des décennies, les astrophysiciens caressent l’ambition de bâtir une simulation complète de notre galaxie, un véritable jumeau numérique capable d’éprouver les théories sur la formation et l’évolution des galaxies. Jusqu’ici, cette ambition se heurtait à une barrière de calcul jugée infranchissable.
Jusqu’à aujourd’hui.
Une équipe dirigée par Keiya Hirashima, au Center for Interdisciplinary Theoretical and Mathematical Sciences de RIKEN, est parvenue à produire une simulation représentant chacune de ces 100 milliards d’étoiles sur 10,000 ans de temps galactique.
Le déclic vient d’une association inattendue entre l’intelligence artificielle et les simulations physiques classiques, présentée cette année lors de la conférence Supercomputing.
Le mur informatique des simulations de la Voie lactée
La difficulté ne tenait pas seulement à l’ampleur du problème, même si les ordres de grandeur donnent le vertige.
Les meilleures simulations de galaxies disponibles jusqu’à présent géraient environ un milliard de masses solaires : dans ce cadre, la plus petite « particule » du modèle correspondait à un amas d’environ 100 étoiles.
Conséquence directe : les phénomènes propres aux étoiles individuelles étaient lissés, noyés dans des moyennes. Or, pour suivre ce qui arrive à une étoile précise, il faut avancer avec des pas de temps minuscules, assez courts pour saisir des variations rapides, comme celles d’une explosion de supernova.
Mais réduire le pas de temps fait exploser les besoins en calcul. Avec les méthodes conventionnelles, simuler la Voie lactée en résolvant chaque étoile demanderait 315 heures de temps de supercalculateur pour chaque million d’années d’évolution galactique.
À l’échelle d’un seul milliard d’années, cela représenterait 36 ans de temps réel.
Augmenter simplement le nombre de cœurs de processeur n’apporte pas non plus de solution : au-delà d’un certain seuil, le rendement s’effondre tandis que la consommation d’énergie grimpe en flèche.
Un modèle de substitution en apprentissage profond
La réponse trouvée par l’équipe d’Hirashima repose sur un modèle de substitution en apprentissage profond.
Les chercheurs ont entraîné une IA à partir de simulations de supernovae à haute résolution, afin qu’elle apprenne à prévoir la manière dont le gaz se dilate durant les 100,000 ans qui suivent une explosion.
Ce raccourci assuré par l’IA prend en charge la physique rapide et à petite échelle sans ralentir le reste du modèle. La simulation peut ainsi suivre à la fois la dynamique globale de la galaxie et les catastrophes stellaires individuelles.
Les gains de performance sont spectaculaires : ce qui aurait exigé 36 ans ne demande plus que 115 jours.
L’équipe a confronté ses résultats à de grands tests sur le supercalculateur Fugaku de RIKEN et sur le système Miyabi de l’University of Tokyo, confirmant que la simulation dopée à l’IA reste fidèle tout en atteignant une échelle sans précédent.
Des retombées possibles bien au-delà de l’astrophysique
Cette stratégie pourrait bouleverser la façon de modéliser tout système où coexistent des échelles d’espace et de temps très différentes.
Les sciences du climat, la prévision météorologique et la dynamique des océans rencontrent des obstacles comparables, car elles doivent relier des processus allant de l’échelle moléculaire à l’échelle planétaire.
Cet article a été publié à l’origine par Universe Today. Lisez l’article original.
Commentaires
Aucun commentaire pour le moment. Soyez le premier!
Laisser un commentaire