Forecasting SN shells using deep learning for video predictions toward higher-resolution galaxy simulations

点击翻译按钮获取中文摘要

銀河形成は、重力流体力学、放射冷却、星形成、超新星などが複雑に絡み合った現象であるため、N体・SPHなどの粒子系シミュレーションを用いて研究が盛んに行われている。スーパーコンピュータの発展（CPUコア数の増大など）に伴い、シミュレーションで用いる粒子数が増加し、質量分解能は向上してきた。本研究では、スーパーコンピューター「富岳」を用いて、個々の恒星まで再現された超高解像度銀河形成シミュレーションの実現を目指す。これにより、銀河系内の個々の恒星の運動や化学組成が明らかになるため、史上初のシミュレーションと観測の直接比較が可能になり、太陽に類似した星の誕生した環境、現在までの移動経路などの解明が期待される。解像度の向上は、銀河進化に対してタイムスケールの短い現象（超新星爆発など）の再現を要請する。銀河回転のタイムスケールは約100万年であるのに対し、超新星爆発のタイムスケールは100年程度と非常に短い。そのため、超新星爆発の再現に必要な非常に短い時間刻みが、銀河全体の演算回数を数百倍以上に増加させる原因となる。また、CPUコア数1000個以上の並列計算では、演算に伴う処理（CPU間通信など）が著しく増大し、並列化効率が低下する。そのため、高並列度で演算回数・通信回数の多い計算の実行は困難である。そこで、これらのタイムスケールが非常に短い、超新星爆発の再現に関わる粒子を深層学習で事前に推定し、それらを個別に計算することにより、CPU間通信のボトルネックを解消する手法を開発していく。さらに、そのモデルを用いることで、個々の恒星まで再現された超高解像度銀河形成シミュレーションの実現を目指す。