Una IA simula la Vía Láctea con más de 100 mil millones de estrellas

Un equipo de investigadores liderado por Keiya Hirashima en el RIKEN Center for Interdisciplinary Theoretical and Mathematical Sciences (iTHEMS) de Japón, junto a colaboradores de la Universidad de Tokio y la Universitat de Barcelona, presentó la primera simulación de la Vía Láctea capaz de rastrear más de 100 mil millones de estrellas individuales a lo largo de 10 mil años de evolución. Este avance se logró al combinar inteligencia artificial (IA) con técnicas avanzadas de simulación numérica, logrando un modelo que incluye 100 veces más estrellas que las simulaciones anteriores más sofisticadas y generándose más de 100 veces más rápido.

El trabajo fue presentado en la conferencia internacional de supercomputación SC '25, marcando un importante avance para la astrofísica, la computación de alto rendimiento y el modelado asistido por IA. La misma estrategia podría aplicarse a estudios de sistemas terrestres a gran escala, incluyendo investigaciones sobre el clima y el tiempo.

Desafíos en la simulación de la Vía Láctea

Durante años, los astrofísicos han intentado construir simulaciones de la Vía Láctea lo suficientemente detalladas como para seguir cada estrella individual. Estos modelos permitirían comparar teorías sobre la evolución galáctica, la estructura y la formación estelar directamente con datos observacionales. Sin embargo, simular una galaxia con precisión requiere calcular la gravedad, el comportamiento de fluidos, la formación de elementos químicos y la actividad de supernovas a través de enormes rangos de tiempo y espacio, lo que hace que la tarea sea extremadamente exigente.

Hasta ahora, los científicos no habían podido modelar una galaxia tan grande como la Vía Láctea manteniendo un detalle fino al nivel de estrellas individuales. Las simulaciones actuales pueden representar sistemas con una masa equivalente a aproximadamente un mil millones de soles, muy por debajo de los más de 100 mil millones de estrellas que componen la Vía Láctea. Como resultado, la menor "partícula" en esos modelos generalmente representa un grupo de aproximadamente 100 estrellas, lo que promedia el comportamiento de las estrellas individuales y limita la precisión de los procesos a pequeña escala. El desafío está relacionado con el intervalo entre pasos computacionales: para capturar eventos rápidos como la evolución de supernovas, la simulación debe avanzar en incrementos de tiempo muy pequeños.

Reducir el tamaño del paso de tiempo implica un esfuerzo computacional dramáticamente mayor. Incluso con los mejores modelos basados en física de hoy, simular la Vía Láctea estrella por estrella requeriría aproximadamente 315 horas por cada 1 millón de años de evolución galáctica. A ese ritmo, generar 1 mil millones de años de actividad llevaría más de 36 años de tiempo real. Simplemente agregar más núcleos de supercomputadora no es una solución práctica, ya que el uso de energía se vuelve excesivo y la eficiencia disminuye a medida que se añaden más núcleos.

Un nuevo enfoque de aprendizaje profundo

Para superar estas barreras, Hirashima y su equipo diseñaron un método que combina un modelo de sustitución de aprendizaje profundo con simulaciones físicas estándar. El modelo de sustitución fue entrenado utilizando simulaciones de supernovas de alta resolución y aprendió a predecir cómo se dispersa el gas durante los 100,000 años posteriores a una explosión de supernova sin requerir recursos adicionales de la simulación principal. Este componente de IA permitió a los investigadores capturar el comportamiento general de la galaxia mientras modelaban eventos a pequeña escala, incluyendo los detalles finos de supernovas individuales. El equipo validó el enfoque comparando sus resultados con ejecuciones a gran escala en la supercomputadora Fugaku de RIKEN y el Sistema de Supercomputación Miyabi de la Universidad de Tokio.

El método ofrece una verdadera resolución de estrellas individuales para galaxias con más de 100 mil millones de estrellas, y lo hace con una velocidad notable. Simular 1 millón de años tomó solo 2.78 horas, lo que significa que 1 mil millones de años podrían completarse en aproximadamente 115 días en lugar de 36 años.

Potencial más amplio para modelado climático y oceánico

Este enfoque híbrido de IA podría transformar muchas áreas de la ciencia computacional que requieren vincular la física a pequeña escala con el comportamiento a gran escala. Campos como la meteorología, la oceanografía y el modelado climático enfrentan desafíos similares y podrían beneficiarse de herramientas que aceleren simulaciones complejas a múltiples escalas.

"Creo que integrar la IA con la computación de alto rendimiento marca un cambio fundamental en cómo abordamos problemas de múltiples escalas y múltiples físicas en las ciencias computacionales", afirmó Hirashima. "Este logro también demuestra que las simulaciones aceleradas por IA pueden ir más allá del reconocimiento de patrones para convertirse en una herramienta genuina para el descubrimiento científico, ayudándonos a rastrear cómo los elementos que formaron la vida misma emergieron dentro de nuestra galaxia".