Jebkura kosmologa sapnis ir izveidot digitālu Visuma kopiju. Iedomājieties simulāciju, kas ir tik precīza, ka tajā var, it kā laika mašīnā, izsekot Piena Ceļa dzimšanu, redzēt, kā uzliesmo un mirst pirmās zvaigznes, un saprast, no kurienes cēlušies ķīmiskie elementi, no kuriem sastāv mēs ar jums. Gadu desmitiem šo titānisku uzdevumu uzticēja superdatoriem — gigantiskām skaitļošanas mašīnām, kas spēj apstrādāt astronomiskus datu apjomus.
Bet kas, ja visjaudīgākais instruments ne vienmēr ir visefektīvākais? Nesenais pētījums, ko veica starptautiska zinātnieku komanda Japānas RIKEN centrā, parādīja, ka mākslīgais intelekts var ne tikai palīdzēt, bet arī pārspēt tradicionālās metodes vienā no sarežģītākajām kosmosa modelēšanas jomām. Un šis atklājums mūs tuvinā pie mūsu pašu galaktiskās mājas noslēpumu atminēšanas.
Lai saprastu šī atklājuma būtību, vispirms jāizprot galvenā problēma. Galaktikas evolūcijas modelēšana ir kā filmas uzņemšana, kas ilgst 14 miljardus gadu. Datoram jāaprēķina miljoniem zvaigžņu gravitācijas mijiedarbība, gigantisku gāzes mākoņu kustība, ķīmiskās reakcijas — un tas viss simtiem tūkstošu gaismas gadu mērogā. Superdatori ar to tiek galā, bet ar vienu atrunu.
Šajā „filmā” ir specefekti, kas notiek gandrīz momentāli — supernovu uzliesmojumi. Zvaigzne sabrūk un eksplodē, izmetot kosmosā smagus elementus, un tas notiek tikai dažu mēnešu vai gadu laikā. Galaktikas miljardiem gadu ilgajā vēsturē tas nav pat mirklis — tas ir pikosekundes daļa.
Kāda tad ir problēma? Parasta simulācija, kas darbojas ar „lielo plānu” miljardiem gadu garumā, vienkārši nav pietiekami „izšķirtspējīga”, lai fiksētu tik ātru notikumu. Tas ir kā mēģināt nofotografēt lidojošu lodi ar vecu filmu kameru — jūs iegūsiet tikai izplūdušu plankumu. Lai detalizēti modelētu supernovas uzliesmojumu, zinātniekiem nācās “palēnināt” simulāciju tūkstošiem reižu, tērējot tam gadu vai divus mašīnas laiku un ierobežojoties tikai ar niecīgu kosmosa daļu, piemēram, pundurgalaktiku. Izvēle bija neliela: vai nu ātri un neprecīzi, vai precīzi, bet sāpīgi ilgi un miniatūrā.
Gāzes virsmas blīvums pie t = 100 milj. gadu visiem modeļiem. Ar krāsu atzīmēts stieņa blīvums 1010 M⊙ kpc-2. Kreisajā pusē: SN-DT. Labajā pusē: SN-ML. Dažādie modeļu varianti, kas parādīti šajā attēlā, ir apkopoti 1. tabulā. Animācija parāda gāzes virsmas blīvuma laika attīstību uz virsmas, aptverot 300 miljonus modelēšanas gadu un ilgstot 20 sekundes reālajā laikā. (Ir pieejama animācija, sk. oriģinālo pētījumu).
Tieši šeit uz skatuves parādās mākslīgais intelekts. Komanda Kei Hiramas vadībā nolēma neuzlikt superdatoram to, kas tam nepadodas. Tā vietā viņi izmantoja hibrīda pieeju.
Vienkāršāk sakot, viņi sadalīja uzdevumus.
- Galvenais darbs: galaktikas kopējās dinamikas modelēšana — gravitācija, gāzes kustība, ķīmiskie procesi — joprojām tika veikts ar laika gaitā pārbaudītiem algoritmiem (šajā gadījumā ASURA un FBPS kodiem). Tie darbojās kā “ģenerāluzņēmējs”.
- Šaurā specializācija: visgrūtāko un resursietilpīgāko daļu — supernovas sprādziena seku modelēšanu — uzticēja īpaši apmācītam neironu tīklam.
Kā tas darbojas praksē? Neironu tīkls nemēģina izprast visu Visuma fiziku. Tas tika apmācīts konkrētai uzdevumam: zinātnieki „pabarojot” to ar datiem no 300 detalizētām supernovas sprādziena simulācijām. AI izpētīja, kā pirmajos 100 000 gados pēc sprādziena mainās izkliedētā gāzes blīvums, temperatūra un ātrums. Tā kļuva par pasaules klases ekspertu, bet tikai vienā, ļoti šaurā jomā.
Tagad, kad galvenā simulācija sasniedz brīdi, kad zvaigznei jāeksplodē, tā nemēģina aprēķināt šo notikumu „uz galvas”. Tā vienkārši „jautā” AI: „Šādi ir sākotnējie apstākļi. Kā izskatīsies apkārtējā telpa pēc 100 000 gadiem?” AI uzreiz sniedz gatavu, fizikāli pareizu rezultātu.
Tas nav superdatora aizvietotājs, bet gan tā gudrs papildinājums. AI pilda neticami ātra konsultanta lomu, kas risina vienu un to pašu sarežģītu uzdevumu, ļaujot galvenajai sistēmai neizklaidēties un turpināt darbu. Rezultāts ir pārsteidzošs: modelēšana notika četras reizes ātrāk, ietaupot mēnešus vai pat pusgadu aprēķiniem. Un vissvarīgākais — galaktikas evolūcijas galīgais attēls, izveidojušos zvaigžņu skaits un galaktisko vēju dinamika izrādījās praktiski identiski tiem, kas tika iegūti ar ilgu un dārgu tradicionālo metodi.
Divdimensionāli kopīgi PDF skaņas ātruma un izplūdes ātruma, svērti pēc enerģijas izplūdes ātruma (plūsma) augstumā z = 1 kpc (augšā) un augstumā z = 10 kpc (apakšā) modeļiem SN-DT (kreisajā pusē) un SN-ML (labajā pusē).
Laika ietaupījums nav tikai patīkams bonuss. Tas ir atslēga uz uzdevumu risināšanu, kas iepriekš tika uzskatīti par neiespējamiem. Pundurgalaktikas modelēšana ir viena lieta, bet digitāli atainot tādu gigantu kā mūsu Piena Ceļš ir pavisam cits sarežģītības līmenis. Tas ir kā pāriet no mazas ciemata skices uz detalizētu megapoles arhitektūras plānu.
Tieši tādās galaktikās kā Piena Ceļš ir dzimusi dzīvība. Visi smagie elementi mūsu ķermenī — ogleklis šūnās, skābeklis, ko mēs elpojam, dzelzs mūsu asinīs — ir radīti zvaigžņu iekšienē un izmesti kosmosā supernovu sprādzienos. Lai izprastu Saules sistēmas un dzīvības uz Zemes izcelsmi, mums ir precīzi jāzina, kā, kad un kur notika šie sprādzieni mūsu galaktikā.
Piena Ceļa modelēšana „zvaigzne pēc zvaigznes” ļaus mums izsekot šo kosmisko vielas apriti un, iespējams, paredzēt, kur vēl mūsu galaktikā varēja veidoties dzīvei labvēlīgi apstākļi.
Šis pētījums ir spilgts piemērs tam, kā mainās pati zinātne. Runa nav par aklu pretstāvēšanu starp „cilvēku un mašīnu” vai „mākslīgo intelektu un superdatoru”. Šī ir stāsts par sinerģiju, par to, kā radoša pieeja un pareiza jauno instrumentu izmantošana ļauj veikt atklājumus tur, kur, šķiet, esam nonākuši strupceļā. Un pateicoties šai „gudrajai apvienībai”, mēs esam tuvāk nekā jebkad, lai saņemtu atbildes uz vispamatīgākajiem jautājumiem par mūsu vietu Visumā.
