RHINE: مصنع كوني للعناصر الثقيلة يُحاكى بالذكاء الاصطناعي

عندما يدور نجمان نيوترونيان فائقا الكثافة ويتصادمان في حدث عنيف، يقذف هذا الاندماج مادة غنية بالنيوترونات إلى الفضاء. في هذه البيئة القاسية، تتشكل عناصر ثقيلة مثل الذهب والبلاتين عبر عملية فيزيائية تُعرف باسم 'عملية الالتقاط النيوتروني السريع' أو 'عملية r'. إن نمذجة هذا التخليق النووي (Nucleosynthesis) أمر بالغ الأهمية لتفسير 'الكيلونوفا' (Kilonova)، وهي الظاهرة الفلكية العابرة التي تمثل نافذتنا المباشرة على مصانع العناصر الكونية هذه. لكن محاكاة عملية r كانت تقليديًا مهمة حاسوبية شاقة، قد تستغرق أسابيع من عمل الحواسيب الفائقة لإنتاج نموذج واحد ثلاثي الأبعاد.

تمكن فريق بحثي دولي في مركز GSI/FAIR الألماني لأبحاث الأيونات الثقيلة من تقديم حل عملي وثوري لهذه المعضلة: إنه نموذج RHINE. هذا الإطار الجديد، الذي نُشرت تفاصيله في مجلة Physical Review D العلمية المرموقة، يستخدم شبكة عصبية قائمة على التعلم العميق لمحاكاة عملية r والطاقة الهائلة التي تطلقها. وبهذا، يجعل RHINE عمليات المحاكاة ثلاثية الأبعاد المتسقة ذاتيًا أمرًا ممكنًا في جزء ضئيل من الوقت السابق .

ما هو RHINE بالضبط؟

اسم RHINE هو اختصار لعبارة 'تطبيق التسخين الناتج عن عملية r في المحاكاة الهيدروديناميكية باستخدام الشبكات العصبية' (R-process Heating Implementation in hydrodynamic simulations with NEural networks). إنه إطار تعلم آلي صُمم للتنبؤ بمعدل التسخين النووي والتغيرات في التركيب الكيميائي الناتجة عن عملية r، وذلك بشكل فوري أثناء تشغيل المحاكاة الهيدروديناميكية لاندماج النجوم النيوترونية. في الظروف العادية، يحتاج العلماء إلى تشغيل شبكة تفاعلات نووية كاملة - تتعقب تحولات آلاف النظائر - في كل خطوة زمنية وفي كل خلية من خلايا المحاكاة. يستبدل RHINE هذه العملية المعقدة بشبكة عصبية صغيرة وسريعة، مما يقلص التكلفة الحاسوبية بشكل كبير جدًا .

كيف يعمل نموذج التعلم العميق هذا؟

يستخدم RHINE بنية 'المستقبلات المتعددة الطبقات' (Multilayer Perceptron)، وهي نوع من الشبكات العصبية، تم تدريبها على آلاف العمليات الحسابية المرجعية لعملية r التي أنتجتها شبكة نووية كاملة. تتتبع بيانات التدريب هذه التاريخ الحراري والتركيبي للمادة الغنية بالنيوترونات تحت ظروف الاندماج. بعد اكتمال التدريب، تأخذ الشبكة العصبية أربع كميات محلية بسيطة من المحاكاة كمدخلات: الكثافة المحلية، ودرجة الحرارة، وجزء الإلكترونات، ومتوسط عدد الكتلة. من هذه المدخلات، تتنبأ الشبكة بثمانية معاملات أساسية تحكم كيفية سير عملية r - بما في ذلك معدل التسخين النووي، والتغيرات في جزء الإلكترونات، ومتوسط الأعداد الذرية والكتلية للتركيب الكيميائي .

من خلال إدخال هذه التنبؤات في المحاكاة الهيدروديناميكية في كل مكان وزمن، لم يعد الباحثون بحاجة لتشغيل الشبكة النووية الكاملة بشكل فوري. هذا النهج البسيط من حيث المفهوم لكنه شديد الفعالية، يتجاوز عنق الزجاجة الذي جعل المحاكاة الطويلة أو عالية الدقة لعملية r غير عملية في السابق .

التحقق من صحة نموذج RHINE

يعد التحقق من الصحة أمرًا بالغ الأهمية عندما يحل نموذج تعلم آلي محل حسابات فيزيائية أساسية. استخدم فريق RHINE فئتين صارمتين من الاختبارات لضمان أن الشبكة العصبية موثوقة في ظل ظروف واقعية :

• حلول الرياح في الحالة المستقرة: اختبر الفريق RHINE على رياح مستقرة ومتناظرة كرويًا تغطي شبكة واسعة من المعايير - تتراوح بين أجزاء الإلكترونات، والإنتروبيا (مقياس العشوائية)، وسرعات التدفق المتوقعة في بيئات الاندماج. طابقت تنبؤات الشبكة نتائج الشبكة الكاملة بشكل دقيق عبر هذا الفضاء الواسع من المعايير.
• محاكاة ثلاثية الأبعاد كاملة لاندماج النجوم النيوترونية: في اختبار أكثر صرامة، طبق الباحثون RHINE في محاكاة هيدروديناميكية ثلاثية الأبعاد كاملة لاندماج نجمين نيوترونيين. ثم قورنت التنبؤات بحسابات التخليق النووي اللاحقة المفصلة التي تمت بأثر رجعي. ظل التوافق عاليًا تحت التعقيد الكامل للاندماج الديناميكي، مما يشير إلى أن البديل القائم على التعلم الآلي لم يضحِّ بالدقة الفيزيائية .

وتعليقًا على الأداء، أشار الباحثون إلى أن هذه الطريقة يمكن أن توفر "كمًا هائلاً من الوقت الحاسوبي" مع الاحتفاظ بالدقة المطلوبة للتفسير الفيزيائي الفلكي .

لماذا يعد هذا مهمًا لرصد 'الكيلونوفا'؟

الطاقة المنبعثة من عملية r تغير بشكل مباشر سرعة وحرارة وتركيب المادة المقذوفة من الاندماج - وكلها عوامل تشكل منحنى ضوء 'الكيلونوفا' الذي نرصده عبر التلسكوبات. قدمت 'الكيلونوفا' الشهيرة AT2017gfo، المرتبطة بحدث الموجات الثقالية GW170817، أول نظرة تفصيلية على هذا الانبعاث، لكن ربط تلك الإشارة بالفيزياء النووية الأساسية كان تحديًا كبيرًا. يمّكن RHINE الباحثين الآن من دمج التسخين الناتج عن عملية r بشكل متسق ذاتيًا في محاكاة ثلاثية الأبعاد، مما يجعل من العملي جدًا إنتاج تنبؤات نظرية يمكن مقارنتها مباشرة مع أرصاد 'الكيلونوفا' .

جسر يربط بين السماء والمختبر في FAIR

سيعمل RHINE أيضًا كجسر حاسوبي بين النظرية والتجارب النووية القادمة في منشأة FAIR، وهي اختصار لـ 'مرفق أبحاث الأيونات والأجسام المضادة' في دارمشتات بألمانيا. ستقوم FAIR بسبر أغوار النوى الغريبة والغنية بالنيوترونات التي تكون حاليًا بعيدة عن متناول التجارب ولكنها تؤثر بشكل حاسم على نتائج عملية r. من خلال تسريع عمليات المحاكاة لتواكب سرعة تحليل البيانات، يقدم RHINE مسارًا لربط القياسات المختبرية مباشرة بالأرصاد الفيزيائية الفلكية - لاختبار نماذج تكوين العناصر في مواجهة البيانات النووية الحقيقية للمرة الأولى .

العلم المفتوح: الكود المصدري متاح للجميع

بروح العلم المفتوح، أتاح الفريق البحثي كود مصدر RHINE للجمهور على منصة Zenodo، المستودع العلمي مفتوح الوصول. يمكن للباحثين المهتمين باستخدام الطريقة أو البناء عليها الوصول إليه عبر الرابط التالي:

https://zenodo.org/records/15864447

هذا الإصدار العام يعني أن مجموعات المحاكاة الأخرى يمكنها تطبيق RHINE في أكواد الاندماج الخاصة بها، مما يوسع تأثير هذا الإطار عبر مجتمع الفيزياء الفلكية الأوسع.