Новая ИИ-модель раскрывает, как слияния нейтронных звезд создают тяжелые элементы

Художественное изображение слияния нейтронных звезд. Credit: Dana Berry, SkyWorks Digital, Inc.

Исследователи разработали новую симуляцию на основе искусственного интеллекта, которая может значительно улучшить наше понимание того, как во Вселенной образуются многие из самых тяжелых элементов. Модель машинного обучения, созданная международной командой из GSI/FAIR, позволяет ученым моделировать сложные ядерные реакции, происходящие во время слияния нейтронных звезд и других violent звездных событий, гораздо эффективнее, чем раньше. Результаты исследования были опубликованы в журнале Physical Review D.

Многие химические элементы, встречающиеся во Вселенной, образуются в ходе экстремальных космических событий, включая взрывы сверхновых и слияния нейтронных звезд. Эти огромные взрывы генерируют энергию, необходимую для получения тяжелых атомных ядер в процессе, известном как быстрый захват нейтронов, или r-процесс.

Во время r-процесса атомные ядра быстро поглощают свободные нейтроны. Некоторые из этих нейтронов затем превращаются в протоны, позволяя ядрам расти и в конечном итоге формировать многие тяжелые элементы, встречающиеся в природе.

Моделирование этих реакций является одной из самых больших проблем в ядерной астрофизике, поскольку вычисления требуют огромной вычислительной мощности.

«Исследователи по всему миру стремятся сделать эти сложные реакции понятными с помощью теоретических симуляций. Однако моделирование всех параметров требует невероятной вычислительной мощности, поэтому модели часто приходится упрощать», — сказал доктор Оливер Джаст, первый автор исследования и научный сотрудник отдела «Ядерная астрофизика и структура» в GSI/FAIR. «Наша новая модель RHINE, использующая искусственный интеллект, предлагает эффективную альтернативу».

Новая система, названная RHINE (r-process heating implementation in hydrodynamic simulations with neural networks), полагается на машинное обучение (ML), в частности на нейронную сеть глубокого обучения, чтобы оценить, сколько энергии выделяется во время ядерных реакций в r-процессе, пока выполняются гидродинамические симуляции.

Это выделение энергии, часто называемое нагревом, играет важную роль в определении того, как вещество выбрасывается во время звездных взрывов. Оно может влиять как на скорость выброшенного материала, так и на производимый после этого свет. При слиянии нейтронных звезд это яркое свечение наблюдается как килоновая.

Вместо того чтобы выполнять каждое ядерное вычисление во время каждой симуляции, ИИ сначала обучается с использованием обширной библиотеки эталонных расчетов, включающих полные сети ядерных реакций. После обучения он может точно оценивать скорость нагрева, затрачивая лишь малую часть вычислительных усилий.

«Сначала модели машинного обучения обучаются с использованием большого количества эталонных расчетов, полученных с полным набором ядерных реакций. Впоследствии модели используются в работающих гидродинамических симуляциях для аппроксимации скорости нагрева во время r-процесса с минимальными усилиями», — объяснил доктор Цзевэй Сюн, также ученый из отдела «Ядерная астрофизика и структура» GSI/FAIR и ключевой разработчик моделей машинного обучения.

«С помощью детальных сравнений мы проверили нашу схему машинного обучения на эталонных данных. Высокая степень согласия позволяет предположить, что использование моделей машинного обучения может сэкономить огромное количество вычислительного времени. Из результатов мы также сделали вывод, что нагрев в r-процессе является важным эффектом, который следует лучше учитывать в будущем моделировании».

Исследователи говорят, что RHINE может позволить проводить гораздо более детальные симуляции в будущем, одновременно значительно сокращая требуемые вычислительные ресурсы. Эти улучшенные модели в конечном итоге могут помочь связать эксперименты на строящемся исследовательском комплексе FAIR с наблюдениями звездных взрывов и слияний нейтронных звезд, сделанными астрономами.

Исходный код RHINE был сделан общедоступным, чтобы другие исследователи могли продолжить работу. Проект был частично профинансирован, среди прочих организаций, Европейским исследовательским советом (ERC).

Источники:

Материалы предоставлены GSI Helmholtzzentrum für Schwerionenforschung GmbH.

Oliver Just, Zewei Xiong, Gabriel Martínez-Pinedo. r-process heating implementation in hydrodynamic simulations with neural networks. Physical Review D, 2026; 113 (8) DOI: 10.1103/gl2l-7f3g