AI가 최초의 1000억 별 은하수 시뮬레이션을 만듭니다.

국제 슈퍼컴퓨팅 컨퍼런스 SC ’25에서 발표된 이 작업은 천체 물리학, 고성능 컴퓨팅 및 AI 지원 모델링에 대한 중요한 진전을 의미합니다. 기후 및 기상 연구를 포함한 대규모 지구 시스템 연구에도 동일한 전략이 적용될 수 있습니다.

모든 스타를 모델링하는 것이 왜 그렇게 어려운가요?

수년 동안 천체물리학자들은 각각의 개별 별을 추적할 수 있을 만큼 상세한 은하수 시뮬레이션을 구축하는 것을 목표로 삼았습니다. 이러한 모델을 통해 연구자들은 은하 진화, 구조 및 별 형성 이론을 관측 데이터와 직접 비교할 수 있습니다. 그러나 은하계를 정확하게 시뮬레이션하려면 엄청난 범위의 시간과 공간에 걸쳐 중력, 유체 거동, 화학 원소 형성, 초신성 활동을 계산해야 하므로 작업이 매우 까다로워집니다.

이전에는 과학자들이 단일 별 수준에서 미세한 세부 묘사를 유지하면서 은하수만큼 큰 은하를 모델링할 수 없었습니다. 현재의 최첨단 시뮬레이션은 은하수를 구성하는 1,000억 개가 넘는 별보다 훨씬 낮은 약 10억 개의 태양에 해당하는 질량을 가진 시스템을 나타낼 수 있습니다. 결과적으로 해당 모델에서 가장 작은 “입자”는 일반적으로 대략 100개의 별 그룹을 나타내며, 이는 개별 별의 동작을 평균화하고 소규모 프로세스의 정확성을 제한합니다. 문제는 계산 단계 사이의 간격과 관련이 있습니다. 초신성 진화와 같은 빠른 사건을 포착하려면 시뮬레이션이 매우 작은 시간 단위로 진행되어야 합니다.

시간 단계를 줄이면 계산 노력이 훨씬 더 커집니다. 오늘날 최고의 물리학 기반 모델을 사용하더라도 은하수 별을 별별로 시뮬레이션하는 데는 은하계 진화가 100만년마다 약 315시간이 필요합니다. 그런 속도로 10억년의 활동을 생성하려면 실제 시간으로 36년 이상이 걸릴 것입니다. 단순히 슈퍼컴퓨터 코어를 더 추가하는 것은 실용적인 해결책이 아닙니다. 코어가 추가될수록 에너지 사용이 과도해지고 효율성이 떨어지기 때문입니다.

새로운 딥러닝 접근 방식

이러한 장벽을 극복하기 위해 Hirashima와 그의 팀은 딥 러닝 대리 모델과 표준 물리적 시뮬레이션을 혼합하는 방법을 설계했습니다. 대리자는 고해상도 초신성 시뮬레이션을 사용하여 교육을 받았으며 기본 시뮬레이션에서 추가 리소스를 요구하지 않고 초신성 폭발 후 100,000년 동안 가스가 어떻게 확산되는지 예측하는 방법을 배웠습니다. 이 AI 구성 요소를 통해 연구원들은 개별 초신성의 미세한 세부 사항을 포함하여 소규모 사건을 모델링하면서 은하계의 전반적인 행동을 포착할 수 있었습니다. 팀은 RIKEN의 Fugaku 슈퍼컴퓨터와 도쿄 대학의 Miyabi 슈퍼컴퓨터 시스템의 대규모 실행 결과를 비교하여 접근 방식을 검증했습니다.

이 방법은 1,000억 개 이상의 별이 있는 은하에 대한 진정한 개별 별 해상도를 제공하며 놀라운 속도로 수행됩니다. 100만년을 시뮬레이션하는 데 단 2.78시간이 걸렸습니다. 이는 10억년을 36년이 아닌 약 115일 만에 완료할 수 있다는 의미입니다.

기후, 날씨 및 해양 모델링에 대한 더 넓은 잠재력

이 하이브리드 AI 접근 방식은 소규모 물리학과 대규모 동작을 연결해야 하는 계산 과학의 여러 영역을 재구성할 수 있습니다. 기상학, 해양학, 기후 모델링과 같은 분야도 비슷한 과제에 직면해 있으며 복잡한 다중 규모 시뮬레이션을 가속화하는 도구의 이점을 누릴 수 있습니다.

Hirashima는 “AI와 고성능 컴퓨팅을 통합하면 계산 과학 전반에 걸쳐 다중 규모, 다중 물리학 문제를 해결하는 방식에 근본적인 변화가 일어난다고 믿습니다.”라고 말합니다. “이 성과는 또한 AI 가속 시뮬레이션이 패턴 인식을 넘어 과학적 발견을 위한 진정한 도구가 될 수 있음을 보여줍니다. 즉, 생명체 자체를 구성하는 요소가 우리 은하계에서 어떻게 나타나는지 추적하는 데 도움이 됩니다.”