دانشمندان آمریکایی برای حل یکی از پیچیدهترین چالشهای فیزیک، به سراغ نخستین ابرکامپیوتر مقیاس اگزا (Exascale) در جهان، یعنی Frontier، رفتهاند. آنها با کمک هوش مصنوعی و «فرانتیر» سیستمی توسعه دادهاند که رفتار آشفته پلاسما را با دقتی بیسابقه شبیهسازی کرده و میتواند مسیر تحقیقات در حوزههایی مانند انفجارهای ابرنواختری و رآکتورهای همجوشی هستهای را متحول کند.
براساس نتایج این تحقیق، دستاورد جدید میتواند درک دانشمندان از انفجارهای کیهانی مانند ابرنواخترها را به شکل چشمگیری بهبود دهد و درعینحال، به طراحی رآکتورهای همجوشی هستهای کارآمدتر نیز کمک کند. «الیو هوئرتا»، دانشمندی که نظارت بر این پروژه را برعهده داشته، میگوید:
«چنین قابلیتی سالها رؤیای اخترفیزیکدانان و بسیاری از دانشمندان بوده است. این اولینباری است که با کمک هوش مصنوعی، به چنین سطحی از درک در سیستمهایی با این میزان پیچیدگی دست پیدا میکنیم.»
یکی از چالشهای اصلی این پژوهش، شبیهسازی فرایند پیچیدهای با نام «آشفتگی مگنتوهیدرودینامیکی» یا MHD بوده که رفتار گازهای باردار (پلاسما) را تحت تأثیر میدانهای مغناطیسی توصیف میکند. این نوع آشفتگی در سراسر جهان هستی وجود دارد و در پدیدههایی مانند شرارههای خورشیدی، انفجار ابرنواخترها و حتی میدان مغناطیسی زمین نقش کلیدی ایفا میکند.
بااینحال، مدلسازی دقیق این پدیده همیشه دشوار بوده است. روشهای سنتی مانند مدل RANS با سادهسازی معادلات، بسیاری از جزئیات مهم فیزیکی را نادیده میگیرند. هوئرتا در این رابطه توضیح میدهد:
«هرچه یک سیستم آشفتهتر باشد، شبیهسازی آن سختتر خواهد بود.»
توسعه سیستم با ابرکامپیوتر Frontier
برای حل این مشکل، تیم تحقیقاتی رویکردی دو مرحلهای توسعه داده است. در مرحله اول، یک «اپراتور عصبی مبتنی بر فیزیک» رفتار کلی پلاسما را یاد میگیرد و روند تغییرات آن را در طول زمان مدلسازی میکند. سپس، یک مدل مبتنی بر «دیفیوژن» وارد عمل شده تا جزئیات ریزتر را بازسازی کند که ماهیت واقعی جریانهای آشفته را شکل میدهند.
آموزش این مدلها و تولید هزاران شبیهسازی دقیق از پلاسما، به توان محاسباتی عظیمی نیاز دارد. به همین دلیل، تیم تحقیقاتی به ابرکامپیوتر Frontier دسترسی پیدا کرده که میتواند بیش از دو کوینتیلیون (دو به توان ۱۸) محاسبهدرثانیه انجام دهد و درحالحاضر سومین ابرکامپیوتر سریع اگزاسکیل جهان محسوب میشود.
«سمیح کاچماز»، دانشجوی دکتری و رهبر این پروژه، میگوید:
«Frontier واقعاً نجاتدهنده ما بود. از آن برای تولید دادههای با دقت بالا جهت آموزش مدل دیفیوژن و همچنین آموزش اپراتورهای عصبی مبتنی بر فیزیک استفاده کردیم.»
بهعنوان نتیجه این رویکرد، سیستمی توسعه داده شده که میتواند تنها در عرض چند ثانیه پیشبینیهای بسیار دقیقی از جریانهای آشفته ارائه کند؛ درحالیکه میزان خطا نسبت به روشهای قبلی بیش از ۵۰ درصد کاهش یافته است.
محققان اکنون قصد دارند این مدل را گسترش دهند تا بتواند سیستمهای پیچیدهتر، از جمله شبیهسازیهای سهبعدی کامل پلاسما و محیطهای اخترفیزیکی را پوشش دهد.