RHINE: Umělá inteligence v jádru srážek neutronových hvězd odemyká tajemství vzniku těžkých prvků

Když se dvě ultrahusté neutronové hvězdy stočí do spirály a srazí, tato extrémně prudká událost vymrští hmotu bohatou na neutrony. V ní pak probíhá takzvaný rychlý záchyt neutronů neboli r-proces, při kterém vznikají těžké prvky jako zlato nebo platina. Modelování této nukleosyntézy je naprosto zásadní pro pochopení kilonov – přechodných astronomických jevů, které nám poskytují přímé okno do vesmírných továren na prvky. Simulace r-procesu při srážce neutronových hvězd však byly až dosud nechvalně proslulé svou výpočetní náročností; jediný 3D model často vyžadoval týdny času na superpočítačích.

Mezinárodnímu výzkumnému týmu z GSI/FAIR se nyní podařilo najít praktické řešení: RHINE. Tento nový framework, publikovaný v časopise Physical Review D, využívá neuronovou síť hlubokého učení k emulaci r-procesu a energie, kterou uvolňuje. Díky tomu činí soběstačné 3D simulace proveditelnými ve zlomku původního času .

Co přesně je RHINE?

RHINE je zkratka anglického názvu R-process Heating Implementation in hydrodynamic simulations with NEural networks (Implementace ohřevu r-procesem v hydrodynamických simulacích pomocí neuronových sítí). Jedná se o framework strojového učení navržený tak, aby za chodu hydrodynamické simulace srážky neutronových hvězd předpovídal rychlost jaderného ohřevu a změny ve složení hmoty. Za normálních okolností by bylo nutné v každém časovém kroku a v každé buňce simulace spouštět plnohodnotnou síť jaderných reakcí, která sleduje přeměny tisíců izotopů. RHINE toto těžkopádné schéma nahrazuje malou, rychlou neuronovou sítí, čímž dramaticky snižuje výpočetní náklady .

Jak model hlubokého učení funguje

RHINE využívá architekturu vícevrstvého perceptronu, který byl natrénován na tisících referenčních výpočtů r-procesu z plné jaderné sítě. Trénovací data mapují termodynamickou a kompoziční historii hmoty bohaté na neutrony za podmínek panujících při srážce. Po natrénování si síť vystačí pouze se čtyřmi lokálně simulovanými veličinami jako vstupem: lokální hustotou, teplotou, podílem elektronů a středním hmotnostním číslem. Z těchto vstupů předpoví osm klíčových zdrojových členů, které určují průběh r-procesu – včetně rychlosti jaderného ohřevu, změn v podílu elektronů a průměrných atomových a hmotnostních čísel složení .

Díky tomu, že jsou tyto predikce vkládány do hydrodynamické simulace v každém místě a časovém kroku, nemusí výzkumníci již nikdy spouštět plnou jadernou síť v reálném čase. Tento koncepčně jednoduchý, ale nesmírně účinný přístup odstraňuje úzké hrdlo, které dosud znemožňovalo praktické provádění dlouhodobých simulací r-procesu s vysokým rozlišením .

Jak byl model RHINE ověřen

Validace je klíčová vždy, když model strojového učení nahrazuje fundamentální fyzikální výpočty. Tým RHINE podrobil svou neuronovou síť dvěma přísným třídám testů, aby se ujistil o její spolehlivosti v realistických podmínkách :

• Řešení pro stacionární vítr: Tým testoval RHINE na sféricky symetrických, stacionárních větrech pokrývajících širokou škálu parametrů – včetně podílů elektronů, entropií a rychlostí výtoku očekávaných v prostředí srážek. Predikce sítě se v celém tomto parametrickém prostoru těsně shodovaly s výsledky plné sítě.
• Kompletní 3D simulace srážky neutronových hvězd: Jako ještě náročnější test byl RHINE nasazen v úplné 3D hydrodynamické simulaci srážky dvojhvězdy. Predikce byly následně porovnány s detailní nukleosyntézou vypočtenou zpětně. Shoda zůstala vysoká i v plné složitosti dynamické srážky, což ukazuje, že náhrada pomocí strojového učení se neděje na úkor fyzikální věrnosti .

Vědci k výkonu modelu poznamenali, že tato metoda může ušetřit „ohromné množství výpočetního času“ při zachování přesnosti potřebné pro astrofyzikální interpretaci .

Proč na tom záleží pro astronomii kilonov

Energie uvolněná při r-procesu přímo ovlivňuje rychlost, teplotu a složení vyvržené hmoty – to vše jsou faktory, které utvářejí světelnou křivku kilonovy, jak ji pozorujeme dalekohledy. Přelomová kilonova AT2017gfo, spojená s gravitační vlnou GW170817, nám poskytla první detailní pohled na takovou emisi, avšak propojit tento signál zpět se základní jadernou fyzikou bylo vždy výzvou. RHINE nyní umožňuje začlenit ohřev r-procesem do 3D simulací soběstačným způsobem, takže je mnohem snazší vytvářet teoretické předpovědi, které lze přímo porovnávat s pozorováním skutečných kilonov .

Propojení s laboratorními experimenty ve FAIR

RHINE poslouží také jako výpočetní most mezi teorií a připravovanými experimenty jaderné fyziky v zařízení FAIR (Facility for Antiproton and Ion Research) v německém Darmstadtu. FAIR bude zkoumat vlastnosti exotických jader bohatých na neutrony, která jsou v současnosti mimo dosah experimentů, ale zásadně ovlivňují výsledky r-procesu. Tím, že RHINE urychluje simulace na úroveň srovnatelnou s rychlostí analýzy dat, nabízí cestu k přímému propojení laboratorních měření s astrofyzikálními pozorováními – a poprvé tak umožní testovat modely vzniku prvků na základě reálných jaderných dat .

Otevřená věda: Získejte zdrojový kód

V duchu otevřené vědy výzkumný tým zveřejnil zdrojový kód RHINE na platformě Zenodo, což je otevřené vědecké úložiště. Výzkumníci, kteří mají zájem tuto metodu použít nebo na ní dále stavět, jej najdou na adrese:

https://zenodo.org/records/15864447

Toto veřejné zpřístupnění znamená, že ostatní simulační skupiny mohou implementovat RHINE do svých vlastních kódů pro srážky, čímž se dopad tohoto rámce rozšíří napříč širší astrofyzikální komunitou.