은하 가스 원반의 정면(왼쪽) 및 측면(오른쪽) 스냅샷. 초신성 폭발 후 가스 분포에 대한 이러한 스냅샷은 딥러닝 대리 모델에 의해 생성되었습니다. 크레딧:RIKEN 천체물리학자들은 모든 별 하나하나(각각의 궤도, 플레어, 폭발)를 무리 없이 추적할 수 있는 은하수 시뮬레이션을 실행하는 것을 항상 꿈꿔왔습니다. 이제 일본 팀이 드디어 해냈습니다.
RIKEN 학제간 이론 및 수학 과학 센터의 연구원들은 인공 지능을 사용하여 도쿄 대학 및 바르셀로나 대학의 공동 작업자와 함께 세계 최초로 우리 은하의 별별 시뮬레이션을 달성했습니다.
이번 주 고성능 컴퓨팅, 네트워킹, 스토리지 및 분석을 위한 국제 컨퍼런스(SC ’25)에서 발표된 결과 , 가장 빠른 슈퍼컴퓨터도 처리할 수 있는 한계를 뛰어넘으세요.
RIKEN의 수석 저자인 Keiya Hirashima는 "AI와 고성능 컴퓨팅을 통합하는 것은 계산 과학 전반에 걸쳐 다중 규모, 다중 물리학 문제를 해결하는 방법에 근본적인 변화를 가져온다고 믿습니다."라고 말했습니다.
10억 개의 입자 장벽을 허물다
지금까지 은하 모델링에는 항상 타협이 필요했습니다. 시뮬레이션에는 개별 별의 상세한 물리학이나 전체 은하계의 대규모 구조가 포함될 수 있지만 둘 다 포함될 수는 없습니다. 은하수 크기의 시뮬레이션은 일반적으로 시간과 컴퓨팅 성능을 절약하기 위해 수백 개의 별 클러스터를 단일 "입자"로 묶습니다.
이러한 병목 현상은 관련된 시간과 공간 규모가 크게 다르기 때문에 발생했습니다. 초신성은 몇 년에 걸쳐 전개될 수 있지만, 은하계 진화는 수십억에 걸쳐 진행될 수 있습니다. 수백만도 단위로 측정되는 폭발의 과열 가스는 절대 영도보다 10도 높은 차가운 분자 구름과 상호 작용합니다. 두 현상을 모두 추적하려면 세계에서 가장 빠른 슈퍼컴퓨터라도 완료하는 데 수십 년의 실시간 시간이 필요할 만큼 짧은 시간 단계가 필요했습니다.
팀의 논문에서 Hirashima와 동료들은 물리 기반 시뮬레이션과 딥 러닝 '대리' 모델을 병합한 하이브리드 모델을 실행하여 소위 '십억 입자 장벽'을 무너뜨린 방법을 설명합니다.
초신성 폭발의 고해상도 시뮬레이션을 통해 훈련된 이 모델은 팽창하는 뜨거운 가스 구름이 100,000년에 걸쳐 어떻게 행동하는지를 배웠습니다. 이러한 지식을 통해 AI는 국부적인 활동 폭발을 처리하는 동시에 메인 시뮬레이션이 은하계의 전반적인 역학을 계속 추적할 수 있게 되었습니다.
"이 성과는 또한 AI 가속 시뮬레이션이 패턴 인식을 넘어 과학적 발견을 위한 진정한 도구가 될 수 있음을 보여줍니다. 즉, 생명체 자체를 형성한 요소가 우리 은하계에서 어떻게 출현했는지 추적하는 데 도움이 됩니다."라고 Hirashima는 덧붙였습니다.
슈퍼컴퓨터 은하계
이를 수행하기 위해 연구원들은 도쿄 대학의 Miyabi 시스템 및 Flatiron Institute의 Rusty 클러스터와 함께 일본의 강력한 슈퍼컴퓨터인 Fugaku를 활용했습니다. Fugaku에서만 700만 개 이상의 CPU 코어에 해당하는 148,900개의 노드를 사용하여 총 3000억 개의 입자를 실행했습니다. 이는 이전의 어떤 은하계 시뮬레이션보다 훨씬 더 많은 것입니다.
AI 대리자는 로컬 불꽃놀이를 처리했습니다. 모델이 폭발 직전의 별을 감지할 때마다 신경망이 독립적으로 처리할 수 있도록 주변 지역을 일련의 "풀 노드"로 보냈습니다. AI는 향후 100,000년 동안 가스와 먼지가 어떻게 진화할지 예측하고 전체 시스템 속도를 저하시키지 않으면서 그 결과를 주 계산에 다시 제공했습니다.
기존 설정에서는 100만년의 은하 시간을 시뮬레이션하는 데 315시간이 걸릴 수 있습니다. 새로운 방법으로는 단 2.78시간이 걸렸습니다. 이는 대략 나선형 팔의 느린 회전 기간에 해당하는 10억 년의 시뮬레이션을 이제 36년이 아닌 약 115일 만에 완료할 수 있음을 의미합니다.
시뮬레이션은 수만 개의 프로세서에 걸쳐 원활하게 확장되었으며 최고 해상도에서도 효율성을 유지했습니다. 전체적으로 이전 은하 규모 모델보다 100배 속도 향상을 달성하고 500배 더 많은 입자를 사용했습니다.
새로운 종류의 우주 현미경
이 AI 지원 프레임워크는 시간과 공간의 엄청난 차이를 연결하므로 기후 역학 예측부터 난류 해양 흐름 모델링, 플라즈마 물리학까지 다른 복잡한 시스템에 적용할 수 있습니다.
“작은 시간 간격 문제는 은하계 시뮬레이션뿐만 아니라 모든 고해상도 시뮬레이션에서 흔히 발생합니다.”라고 저자는 썼습니다. “시뮬레이션의 작은 부분을 딥러닝 대리 모델로 대체하는 기술은 다양한 분야에서 이점을 가져올 수 있는 잠재력을 가지고 있습니다.”
은하계의 물질 순환. 출처:NASA/JPL-Caltech, ESA, CSA, STScI. 천체 물리학 자체의 경우, 각 별의 이야기를 따라갈 수 있는 능력은 여러 세대에 걸쳐 별의 탄생과 죽음을 통해 물질이 어떻게 재활용되는지에 대한 지도를 제공합니다. 연구 내부에서 NASA가 제공한 다이어그램은 산소, 탄소, 마그네슘 및 철로 새로운 별을 뿌리는 초신성의 우주 순환을 보여줍니다. 어떤 의미에서, 모든 시뮬레이션된 폭발은 이제 은하수가 지구와 같은 행성을 위한 재료와 그곳에서 발생한 생명을 위한 재료를 어떻게 만들었는지 밝혀내는 데 도움이 됩니다.
연구원의 다음 단계에는 우주 방사선, 블랙홀 강착 및 은하간 가스 유입의 영향을 포함하여 모델을 더욱 확장하는 것이 포함됩니다. 이제 AI가 시뮬레이션 구조에 통합되면서 은하계는 곧 연구 대상이 될 뿐만 아니라 우주의 역사가 실시간으로 재생될 수 있는 살아있는 실험실이 될 수도 있습니다.
