ReLaTS: ИИ динамически настраивает временной шаг в астрофизических симуляциях

Астрофизические симуляции часто сталкиваются с многомасштабными задачами: внутри одной системы одновременно происходят процессы с разными характерными временами. Обычно шаг по времени выбирается вручную, что требует экспертных знаний и не всегда оптимально.

Авторы работы, опубликованной на arXiv, предложили метод ReLaTS (Reinforcement Learning Time Step). Это фреймворк, использующий обучение с подкреплением для динамического выбора шага связи между подсистемами. Цель — найти баланс между точностью и вычислительной стоимостью.

Метод протестирован на моделировании звёздных скоплений, содержащих планетные системы. Исследователи варьировали число звёзд N* в скоплении и количество планет N_planet, обращающихся вокруг одной из них. ReLaTS сам находил оптимальный шаг без вмешательства эксперта.

После обучения нейросеть работала независимо от используемых N-body алгоритмов и стабильно показывала результаты в разных конфигурациях. Это говорит о хорошей обобщающей способности метода.

Ограничение: для объектов с пренебрежимо малой массой (например, крошечных тел) метод менее надёжен, так как их вклад в полную энергию ничтожен, и сеть не всегда замечает ошибки их интегрирования. Также при очень долгой интеграции больших систем ошибка накапливается, но алгоритм удерживает её ниже заданного порога.

По сравнению с фиксированным шагом, ReLaTS существенно снижает ошибку по энергии, не требуя значительных дополнительных вычислений. После обучения метод не нуждается в ручной настройке и может применяться в разных областях астрофизики — от звёздной динамики до планетных систем.

Разработка открывает путь к более эффективным и точным адаптивным многомасштабным симуляциям, которые ранее требовали трудоёмкой калибровки.