|
Maschinelles Lernen beschleunigt Simulationen zur
Galaxienentwicklung
Redaktion
/ Pressemitteilung des Max-Planck-Instituts für Astrophysik
astronews.com
17. Juli 2025
Erstmals wurde jetzt maschinelles Lernen - eine Form der
künstlichen Intelligenz – eingesetzt, um die Entwicklung einer Galaxie in
Verbindung mit Supernova-Explosionen zu simulieren. Auf diese Weise konnte die
Rechenzeit für die Simulation erheblich verkürzt werden. Der Ansatz könnte dabei
helfen, auch die Entstehung unserer eigenen Galaxie besser zu verstehen.
Obwohl die Simulationen mit (rechts) und
ohne (links) maschinelles Lernmodell sehr ähnlich aussehen,
war das KI-Modell viermal schneller und konnte die groß
angelegte Simulation in wenigen Monaten statt in mehreren
Jahren abschließen.
Bild: Hirashima et al. (2025),
ApJ, 987, 86 [Großansicht] |
Das Verständnis der Galaxienentstehung ist ein zentrales Thema der
Astrophysik. Zwar wissen wir, dass energiereiche Ereignisse wie Supernovae die
Entwicklung von Galaxien beeinflussen können, jedoch ist es nicht möglich,
diesen Prozess direkt am Nachthimmel zu beobachten. Stattdessen nutzen Forscher
numerische Simulationen, die auf großen Datenmengen basieren, die mit Teleskopen
und anderen Instrumenten zur Vermessung des Alls gesammelt wurden. In diesen
Simulationen müssen die Schwerkraft und die Hydrodynamik sowie andere komplexe
Aspekte der astrophysikalischen Thermochemie berücksichtigt werden.
Darüber hinaus müssen sie eine hohe zeitliche Auflösung aufweisen, das heißt,
der Zeitraum zwischen den einzelnen 3D-Schnappschüssen der sich entwickelnden
Galaxie muss kurz genug sein, um kritische Ereignisse zu erfassen. Um
beispielsweise die Anfangsphase der Ausdehnung der Supernova-Hülle zu erfassen,
ist ein Zeitrahmen von nur wenigen hundert Jahren erforderlich. Das ist 1.000
Mal kürzer als in typischen Simulationen des interstellaren Raums. Tatsächlich
benötigt ein gängiger Supercomputer ein bis zwei Jahre, um eine Simulation einer
relativ kleinen Galaxie mit der erforderlichen zeitlichen Auflösung
durchzuführen.
Die Überwindung dieses Engpasses war das Hauptziel einer jetzt vorgestellten
Studie. Durch die Integration von Künstlicher Intelligenz (KI) in ihr
datengesteuertes Modell konnte die Forschungsgruppe die Ergebnisse einer zuvor
modellierten Zwerggalaxie erreichen – und das wesentlich schneller. "Wenn wir
unser KI-Modell verwenden, ist die Simulation etwa viermal schneller als eine
standardmäßige numerische Simulation“, sagt Keiya Hirashima vom RIKEN Center for
Interdisciplinary Theoretical and Mathematical Sciences (iTHEMS) in Japan. "Dies
entspricht einer Reduzierung der Rechenzeit um mehrere Monate bis zu einem
halben Jahr. Entscheidend ist, dass unsere KI-gestützte Simulation die für die
Erfassung der Galaxienentwicklung und der Materiezyklen wichtigen Dynamiken,
darunter die Sternentstehung und Galaxienausflüsse, reproduzieren konnte."
Wie die meisten Modelle für maschinelles Lernen wurde auch das neue Modell
der Forschenden anhand eines Datensatzes trainiert und konnte anschließend
Ergebnisse für einen neuen Datensatz vorhersagen. In diesem Fall umfasste das
Modell ein programmiertes neuronales Netzwerk, das anhand von 300 Simulationen
einer isolierten Supernova in einer Molekülwolke mit einer Masse von einer
Million Sonnen trainiert wurde. Nach dem Training konnte das Modell die Dichte,
Temperatur und die dreidimensionalen Geschwindigkeiten des Gases 100.000 Jahre
nach einer Supernova-Explosion vorhersagen.
Im Vergleich zu direkten numerischen Simulationen, wie sie beispielsweise von
Supercomputern durchgeführt werden, lieferte das neue Modell ähnliche Strukturen
und Abläufe der Sternentstehung, benötigte jedoch viermal weniger Zeit für die
Berechnung. Das Labor nutzt das neue Framework derzeit, um eine Simulation einer
Galaxie in der Größe der Milchstraße durchzuführen.
"Während bei der Verwendung von Modellen des maschinellen Lernens und der
künstlichen Intelligenz zur Analyse einer Vielzahl von Datensätzen in
verschiedenen Bereichen der Physik enorme Fortschritte erzielt wurden, ist ihr
Einsatz in der astrophysikalischen Gemeinschaft bisher begrenzt und beschränkt
sich hauptsächlich auf Studien zu Turbulenzen", betont Ulrich Steinwandel vom
Max-Planck-Institut für Astrophysik. "Wir zeigen zum ersten Mal, dass KI genutzt
werden kann, um ein multiskaliges physikalisches Problem mit mehreren
Rückkopplungskanälen zu beschleunigen. Darüber hinaus kann die Methodik die
globalen Eigenschaften der Sternentstehung und des Ausflusses simulierter
Galaxien sowie die detaillierte Phasenstruktur dieser mehrphasigen Strömungen
erfassen."
Über ihre Ergebnisse berichtet das Team des RIKEN Center for
Interdisciplinary Theoretical and Mathematical Sciences (iTHEMS), des
Max-Planck-Instituts für Astrophysik (MPA) und des Flatiron Institute in einem
Fachartikel, der in der Zeitschrift The Astrophysical Journal
erschienen ist.
|
