Jak astrofizyk korzysta z Codex do symulowania czarnych dziur

Grawitacja wokół czarnej dziury jest tak silna, że nic — nawet światło — nie może się z niej wydostać, jeśli zbliży się dostatecznie blisko. Astrofizycy tacy jak Chi-kwan Chan badają czarne dziury za pomocą symulacji komputerowych i obserwacji. Jednak obecne algorytmy i dostępna moc obliczeniowa ograniczają realizm tych symulacji.

Chan, badacz z Uniwersytetu Arizony i Obserwatorium Stewarda, próbuje rozwiązać ten problem z pomocą Codex.

Jak wyjaśnia, czarne dziury należą do najlepszych miejsc do testowania ogólnej teorii względności Einsteina. Teoria ta jest obecnie naszym najlepszym wyjaśnieniem grawitacji: nie jest ona siłą przyciągającą obiekty do siebie, lecz skutkiem zakrzywiania czasoprzestrzeni przez masę i energię.

Chan uczestniczy w międzynarodowym projekcie Event Horizon Telescope (EHT), w ramach którego w 2019 roku opublikowano pierwszy obraz czarnej dziury. Zespół gromadzi obecnie dane obserwacyjne, aby stworzyć pierwszy film przedstawiający supermasywną czarną dziurę, skupiając się na obiekcie w centrum galaktyki M87. 

Jednak przełożenie obserwacji na wiedzę naukową wymaga przetwarzania ogromnych ilości danych, prowadzenia obliczeń na wielką skalę i symulacji zdolnych modelować jedne z najbardziej ekstremalnych zjawisk fizycznych we wszechświecie.

Ponieważ światło nie może wydostać się z czarnej dziury, naukowcy badają otaczający ją obszar zwany horyzontem zdarzeń — granicę, spoza której materia nie może już uciec. „To powierzchnia, zza której nie ma powrotu” — mówi Chan. Materia wirująca tuż po zewnętrznej stronie tej granicy emituje światło, które astrofizycy mogą obserwować, mierzyć i symulować. 

Obraz opublikowany przez EHT w 2019 roku pokazywał cień czarnej dziury otoczony świecącą plazmą w pobliżu horyzontu zdarzeń. Chan współtworzył narzędzia symulacyjne i obliczeniowe, które zespół wykorzystał do interpretacji obserwacji. Od tego czasu Chan i jego współpracownicy stale udoskonalają swoje instrumenty i możliwości obserwacyjne, a zespół przechodzi od nieruchomych obrazów do filmów.

Rozwiązanie problemu spiralnego ruchu

Jednym z największych wyzwań dla Chana i jego zespołu jest modelowanie plazmy wokół czarnych dziur. Plazma to materia rozgrzana do bardzo wysokiej temperatury, złożona z naładowanych elektrycznie elektronów i jonów.

W wielu symulacjach naukowcy stosują uproszczenie: traktują plazmę jak płyn i opisują jej ruch wokół czarnej dziury za pomocą dobrze znanych równań. Sprawdza się to dość dobrze w gęstszej plazmie, w której elektrony i jony nieustannie się ze sobą zderzają. 

Jednak w pobliżu supermasywnych czarnych dziur badanych przez Chana i jego współpracowników plazma w niektórych obszarach staje się tak gorąca i rozrzedzona, że cząstki rzadko się spotykają. „Właściwie się ze sobą nie zderzają” — mówi badacz. Zamiast tego cząstki poruszają się głównie po spiralach wokół linii pola magnetycznego. 

Aby poprawnie modelować to zachowanie, badacze muszą śledzić biliony elektronów i jonów, które szybko przemieszczają się po spiralnych torach wokół czarnej dziury. Standardowe symulacje muszą uwzględniać każdy najdrobniejszy skręt, co zmusza komputery do wykonywania obliczeń w niezwykle małych krokach czasowych.

W rezultacie nawet najszybsze superkomputery świata mogą poświęcać większość czasu na obliczanie tych maleńkich ruchów cząstek zamiast symulować zjawiska w większej skali, które faktycznie interesują naukowców.

„Od dziesięcioleci ogranicza to realizm naszych symulacji plazmy wokół czarnych dziur” — mówi Chan.

Lepszy cyfrowy bliźniak dzięki AI

Chan podejrzewał, że nowe metody matematyczne mogłyby pomóc obejść część tych ograniczeń. Pomysł polegał na matematycznej zmianie sposobu śledzenia ruchu cząstek w symulacji, tak aby komputer nie musiał już bezpośrednio odwzorowywać każdej maleńkiej spirali.

„Ale ręczne sprawdzenie wszystkich matematycznych możliwości zajęłoby ogromnie dużo czasu” — mówi Chan. Dlatego sięgnął po Codex, by z jego pomocą wyprowadzać potencjalne algorytmy i sprawdzać je, porównując wyniki ze znanymi rozwiązaniami.

Codex wygenerował wiele możliwych podejść — nie wszystkie były poprawne. „Ale to nic złego” — mówi Chan. „Większość pomysłów naukowych się nie sprawdza. Ważne, że te algorytmy da się przetestować. Gdy znajdziemy taki, który działa, może on otworzyć drogę do symulacji wcześniej niemożliwych”. 

Niektóre systemy AI potrafią podawać wyniki bez pokazywania kroków, które doprowadziły je do wniosków. Zespół Chana korzysta jednak z Codex do proponowania i implementowania schematów numerycznych, które badacze mogą analizować, testować i rozumieć z punktu widzenia fizyki.

Duże modele językowe nadal popełniają błędy, a wielu naukowców ostrożnie podchodzi do wykorzystywania AI w badaniach. Chan uważa jednak, że nauka może być jednym z najlepszych zastosowań dzisiejszych systemów AI właśnie dlatego, że pomysły naukowe można rygorystycznie weryfikować.

„Nie uznajemy pomysłu za słuszny tylko dlatego, że pochodzi od Einsteina, zdolnego studenta czy modelu AI” — mówi. „Akceptujemy go dopiero po wielokrotnym sprawdzeniu”.

Chan postrzega AI jako narzędzie, które może pomóc badaczom sprawdzać więcej pomysłów, szybciej je testować i przyspieszać odkrycia, bez rezygnacji z weryfikacji i odtwarzalności wyników.

Jeśli podejścia, które Chan testuje z pomocą Codex, okażą się skuteczne, nowe algorytmy mogłyby z czasem umożliwić naukowcom symulowanie bilionów cząstek wokół czarnych dziur. Pozwoliłoby to badaczom zgłębiać zjawiska fizyczne, które od dziesięcioleci pozostają poza ich zasięgiem.