Čia kyla problema: supernovos, palyginus su galaktikomis, yra labai mažos ir vystosi labai greitai. Tad jei modelyje norėtume sekti kiekvienos supernovos raidą ir įtaką detaliai, reikėtų žvaigždėdaros regionus išskirti tokia aukšta erdvine ir laiko skyra, kokia šiandieniniams superkompiuteriams praktiškai neįkandama. Dažniausiai problema sprendžiama padarant įvairių prielaidų apie ankstyvąją supernovų raidą.
Pavyzdžiui, laikoma, kad supernova plečiasi sferiškai simetriškai irba kad kurį laiką liekanos temperatūra visiškai nekinta. Geresnis būdas įvertinti supernovų įtaką būtų atrinkti regioną aplink sprogstančią žvaigždę ir aukštesne laiko bei erdvės skyra modeliuoti tik jį. Bet tam reikia iš anksto žinoti, kurios modelį sudarančios dalelės pateks į supernovos įtakos zoną per numatomą viso modelio laiko žingsnį.
Tą padaryti neretai būna labai sudėtinga, nes dujos juda turbulentiškai, o supernovos realybėje plečiasi nesimetriškai. Dabar mokslininkai sukūrė giliojo mokymo metodą, skirtą supernovų įtakos regionų paieškai ir modelių pagreitinimui. Metodas paremtas panašiu giliojo mokymo algoritmu, kuris neseniai pasiūlytas orų prognozių gerinimui.
Metodas apmokytas pasitelkus daugybę turbulentiškų debesų modelių, kuriuose sprogsta supernovos. Apmokytas algoritmas gerai atkuria nesimetrišką supernovos burbulo formą ir taip leidžia parinkti didelio modelio daleles, kurios artimiausiu metu priartės prie jo.
Svarbiausia, metodui reikia apie šimtą kartų mažiau laiko, nei analogišką rezultatą duodančiam detalesniam hidrodinaminiam modeliui. Taigi šitaip eliminuojamas galaktikų evoliucijos modelius stipriai stabdantis veiksnys ir atsiranda galimybė padaryti juos dar detalesnius, nei anksčiau.
Tyrimo rezultatai publikuojami MNRAS.