Cách một nhà vật lý thiên văn dùng Codex để hỗ trợ mô phỏng hố đen

Lực hấp dẫn quanh hố đen mạnh đến mức không gì, kể cả ánh sáng, có thể thoát ra một khi đã đến đủ gần. Các nhà vật lý thiên văn như Chi-kwan Chan nghiên cứu hố đen thông qua mô phỏng máy tính và quan sát. Nhưng các thuật toán và năng lực tính toán hiện nay vẫn giới hạn mức độ sát thực tế của những mô phỏng đó.

Với Codex, Chan—nhà nghiên cứu tại Đại học Arizona và Đài thiên văn Steward—đang tìm cách giải quyết vấn đề này.

Ông cho biết hố đen là một trong những nơi lý tưởng nhất để kiểm chứng thuyết tương đối rộng của Einstein. Đây hiện là lý thuyết giải thích tốt nhất về hấp dẫn: thay vì là một lực kéo các vật lại gần nhau, hấp dẫn là kết quả của việc khối lượng và năng lượng làm cong không-thời gian.

Chan tham gia dự án hợp tác quốc tế Kính thiên văn Chân trời sự kiện (EHT), nơi đã công bố hình ảnh đầu tiên về một hố đen vào năm 2019. Nhóm hiện đang thu thập dữ liệu quan sát để tạo video đầu tiên về một hố đen siêu khối lượng, tập trung vào hố đen ở trung tâm thiên hà M87. 

Nhưng để biến dữ liệu quan sát thành hiểu biết khoa học, cần xử lý lượng dữ liệu khổng lồ, triển khai các quy trình tính toán quy mô lớn và xây dựng những mô phỏng có thể tái hiện một số hiện tượng vật lý cực đoan nhất trong vũ trụ.

Vì ánh sáng không thể thoát khỏi hố đen, các nhà khoa học nghiên cứu vùng bao quanh nó, gọi là chân trời sự kiện—ranh giới mà một khi vượt qua, vật chất không thể thoát ra. “Đó là một bề mặt mà khi vượt qua, không gì có thể quay lại”, Chan nói. Vật chất xoáy ngay bên ngoài ranh giới này phát ra ánh sáng mà các nhà vật lý thiên văn có thể quan sát, đo đạc và mô phỏng. 

Hình ảnh do EHT công bố năm 2019 cho thấy bóng của một hố đen nằm giữa vùng plasma phát sáng gần chân trời sự kiện. Chan đã góp phần phát triển các công cụ mô phỏng và tính toán mà nhóm dùng để diễn giải dữ liệu quan sát. Kể từ đó, Chan và các đồng nghiệp tiếp tục cải tiến thiết bị và khả năng quan sát, từng bước chuyển từ ảnh tĩnh sang video.

Giải bài toán chuyển động xoắn ốc

Một trong những trở ngại lớn nhất với Chan và nhóm của ông là mô hình hóa plasma quanh hố đen. Plasma là vật chất có nhiệt độ cực cao, gồm các electron và ion mang điện.

Trong nhiều mô phỏng, các nhà khoa học đơn giản hóa plasma bằng cách coi nó như một chất lưu, dùng những phương trình quen thuộc để mô hình hóa chuyển động của nó quanh hố đen. Cách này hoạt động khá tốt với plasma có mật độ cao hơn, nơi các electron và ion liên tục va chạm với nhau. 

Nhưng gần các hố đen siêu khối lượng mà Chan và đồng nghiệp đang nghiên cứu, một số vùng trở nên nóng và loãng đến mức các hạt hiếm khi gặp nhau. “Chúng hầu như không va chạm với nhau”, ông nói. Thay vào đó, các hạt chủ yếu chuyển động xoắn ốc quanh các đường sức từ. 

Để mô hình hóa chính xác chuyển động đó, các nhà nghiên cứu cần theo dõi hàng nghìn tỷ electron và ion khi chúng chuyển động xoắn ốc với tốc độ cao quanh hố đen. Các mô phỏng thông thường phải tính toán từng vòng xoắn nhỏ, buộc máy tính phải sử dụng các bước thời gian cực ngắn.

Vì vậy, ngay cả những siêu máy tính nhanh nhất thế giới cũng có thể dành phần lớn thời gian để tính toán những chuyển động cực nhỏ này của hạt, thay vì mô phỏng diễn biến ở quy mô lớn hơn mà các nhà khoa học thực sự muốn nghiên cứu.

“Suốt nhiều thập kỷ, điều này đã giới hạn mức độ sát thực tế của các mô phỏng plasma quanh hố đen”, Chan nói.

Dùng AI để xây dựng bản sao số tốt hơn

Chan cho rằng các kỹ thuật toán học mới có thể giúp khắc phục một số hạn chế này. Ý tưởng cơ bản là thay đổi cách mô phỏng theo dõi chuyển động của hạt bằng phương pháp toán học, để máy tính không còn phải trực tiếp theo dõi từng vòng xoắn nhỏ.

“Nhưng nếu tự tính toán để khảo sát mọi khả năng toán học, tôi sẽ mất rất nhiều thời gian”, Chan nói. Vì vậy, ông tìm đến Codex để hỗ trợ xây dựng các thuật toán tiềm năng và kiểm thử chúng bằng cách đối chiếu với các nghiệm đã biết.

Codex đưa ra nhiều hướng tiếp cận tiềm năng—nhưng không phải tất cả đều đúng. “Nhưng không sao cả”, Chan nói. “Phần lớn ý tưởng khoa học đều thất bại. Điều quan trọng là các thuật toán này có thể được kiểm thử. Một khi tìm được thuật toán hiệu quả, bạn có thể thực hiện những mô phỏng mà trước đây chưa thể làm được.” 

Một số hệ thống AI có thể trả về kết quả mà không cho biết các bước đã thực hiện để đi đến kết luận. Nhưng nhóm của Chan dùng Codex để đề xuất và triển khai các phương pháp tính số mà họ có thể xem xét, kiểm thử và hiểu được về mặt vật lý.

Các mô hình ngôn ngữ lớn vẫn mắc lỗi, và nhiều nhà khoa học vẫn thận trọng với việc dùng AI trong nghiên cứu. Nhưng Chan tin rằng khoa học có thể là một trong những lĩnh vực ứng dụng tốt nhất của các hệ thống AI hiện nay, chính vì các ý tưởng khoa học có thể được kiểm chứng nghiêm ngặt.

“Chúng tôi không chấp nhận một ý tưởng chỉ vì nó đến từ Einstein, từ một sinh viên xuất sắc hay từ một mô hình AI”, ông nói. “Chúng tôi chỉ chấp nhận sau khi đã kiểm chứng nhiều lần.”

Chan xem AI là công cụ giúp các nhà nghiên cứu khám phá nhiều ý tưởng hơn, kiểm chứng nhanh hơn và đẩy nhanh tiến độ khám phá, đồng thời vẫn bảo đảm tính kiểm chứng và khả năng tái lập kết quả.

Nếu các hướng tiếp cận mà Chan đang thử nghiệm với Codex thành công, những thuật toán mới có thể tiến tới việc cho phép các nhà khoa học mô phỏng hàng nghìn tỷ hạt quanh hố đen. Điều đó sẽ giúp các nhà nghiên cứu tìm hiểu những hiện tượng vật lý vốn nằm ngoài tầm với suốt nhiều thập kỷ.