در همین‌جا بود که پژوهشگران RIKEN به همراه تیمی بین‌المللی از همکاران، از یادگیری ماشین برای بهبود شبیه‌سازی سیر تکامل کهکشان‌ها بهره گرفتند. نتایج این شبیه‌سازی با شبیه‌سازی‌های عددی مستقیم – که معمولاً با ابررایانه‌ها انجام می‌شوند – مقایسه شد، و این بار هوش مصنوعی پیروز میدان بود! افزون بر این، این رویکرد می‌تواند به روشن شدن منشأ کهکشان راه شیری و عناصر ضروری برای زندگی، آن‌گونه که می‌شناسیم، کمک کند.
رهبری این پژوهش را دکتر کِیا هیر‌اشیما، پژوهشگر پسادکتری در iTHEMS و مرکز اخترفیزیک محاسباتی مؤسسه فلتیرون بر عهده داشت. او در این پژوهش با پژوهشگرانی از مؤسسه ماکس پلانک برای اخترفیزیک (MPA)، مرکز پژوهش جهان آغازین در دانشگاه توکیو، مرکز علوم سیاره‌ای دانشگاه کوبه، دانشگاه نیویورک، دانشگاه پرینستون، دانشگاه خدمات اجتماعی و علوم توهوکو، و شرکت یادگیری ماشین ژاپنی Preferred Networks (PFN) همکاری داشت.
این شبیه‌سازی یکی از چالش‌های کلیدی در شکل‌گیری کهکشان‌ها را هدف قرار داد: نقش ابرنواخترها. از آن‌جا که فرصت‌های مشاهده این پدیده‌ها اندک است، دانشمندان ناچارند بر شبیه‌سازی‌های عددی تکیه کنند که بر اساس داده‌های تلسکوپ‌ها و دیگر ابزارهای رصدی ساخته شده‌اند. این شبیه‌سازی‌ها بسیار پیچیده‌اند، چرا که باید نیروهای کیهانی را در نظر بگیرند و دقت زمانی بالایی داشته باشند تا رویدادهای مهم، مانند ابرنواخترها، از قلم نیفتند — پدیده‌هایی که تحولشان از رمبش مرکزی تا بازمانده، در بازه‌ای از چند ماه تا چند هزار سال روی می‌دهد، یعنی در مقیاسی بسیار کوچکتر از توان رایانشی معمول.
در شبیه‌سازی‌های عددی معمول، رخداد ابرنواخترها در مقیاس زمانی‌ای حدود هزار برابر کوچکتر از توان ابررایانه‌هاست. افزون بر این، شبیه‌سازی‌هایی با این دقت زمانی گاه ۱ تا ۲ سال زمان می‌برند و تنها برای کهکشان‌های کوچک کاربرد دارند. برای غلبه بر این محدودیت، پژوهشگران هوش مصنوعی را وارد شبیه‌سازی‌ای بر پایه کد ASURA کردند؛ کدی که روش‌های N-body و دینامیک سیالات ذره‌ای نرم‌شده (SPH) را برای مدل‌سازی شکل‌گیری کهکشان‌ها ترکیب می‌کند. آن‌ها همچنین از کد FBPS برای شبیه‌سازی فرآیندهای شیمیایی و مدلی از یادگیری ماشین که توسط شرکت PFN توسعه یافته بود، بهره گرفتند.
نتیجه، مدلی بود که پژوهشگران آن را ASURA-FBPS-ML نامیدند — مدلی که توانست خروجی شبیه‌سازی یک کهکشان کوتوله را بازتولید کند، اما در زمانی به‌مراتب کمتر. هیر‌اشیما در بیانیه‌ای از RIKEN گفت:
«وقتی از مدل هوش مصنوعی خود استفاده می‌کنیم، شبیه‌سازی حدود چهار برابر سریع‌تر از شبیه‌سازی عددی معمولی انجام می‌شود. این به معنای کاهش زمان محاسبه از چند ماه تا نزدیک به نیم سال است. مهم‌تر اینکه شبیه‌سازی ما با کمک هوش مصنوعی توانست پویایی‌های کلیدی در تکامل کهکشان و چرخه‌های ماده – از جمله شکل‌گیری ستارگان و خروج گازها از کهکشان – را بازتولید کند.»
برای آموزش هوش مصنوعی، پژوهشگران داده‌های حاصل از ۳۰۰ شبیه‌سازی ابرنواختر منفرد در ابرهای مولکولی با جرمی یک میلیون برابر خورشید را به مدل دادند. نتیجه، مدلی شد که می‌توانست چگالی، دما و سرعت سه‌بعدی ذرات گاز را در مرحله آغازین گسترش پوسته ابرنواختر — که معمولاً تا ۱۰۰٬۰۰۰ سال پس از رمبش هسته‌ای طول می‌کشد — پیش‌بینی کند. این مدل، در مقایسه با شبیه‌سازی‌های عددی مستقیم ابررایانه‌ای، ساختارهای کهکشانی مشابه و تاریخچه‌ای از شکل‌گیری ستارگان ارائه داد، آن هم در یک‌چهارم زمان رایانشی معمول.
این پژوهش توان بالقوه هوش مصنوعی را در شبیه‌سازی‌های کیهانی نشان می‌دهد — از جمله مدل‌سازی کل تاریخ تحول جهان از مهبانگ تاکنون (حدود ۱۴ میلیارد سال). هیر‌اشیما می‌گوید:
«چارچوب ما با کمک هوش مصنوعی، امکان شبیه‌سازی‌های با وضوح بالا و ستاره‌به‌ستاره‌ی کهکشان‌های بزرگ — مانند راه شیری — را فراهم می‌کند، با هدف پیش‌بینی منشأ منظومه شمسی و عناصر حیاتی برای شکل‌گیری زندگی.»
در حال حاضر، این آزمایشگاه از مدل ASURA-FBPS-ML برای شبیه‌سازی کهکشان‌هایی به بزرگی کهکشان راه شیری استفاده می‌کند — گامی که شاید به نظریه‌های تازه‌ای درباره منشأ حیات در کهکشان ما بینجامد.
نتایج این پژوهش در نشریه The Astrophysical Journal منتشر شده است.
