RHINE bringt KI ins Innere von Neutronenstern-Kollisionen

Wenn zwei ultradichte Neutronensterne in einer kosmischen Spirale umeinanderkreisen und schließlich kollidieren, entsteht ein gewaltiges Feuerwerk. Das dabei herausgeschleuderte, extrem neutronenreiche Material ist der perfekte Brutkasten für den sogenannten schnellen Neutroneneinfang-Prozess – kurz r-Prozess. In diesem astrophysikalischen Hexenkessel werden schwere Elemente wie Gold, Platin und Uran förmlich zusammengebacken. Die dabei freigesetzte Energie lässt die Materie als sogenannte Kilonova aufleuchten, ein astronomisches Blitzereignis, das uns einen direkten Blick in die Elementfabriken des Kosmos erlaubt.

Doch die Modellierung dieser Nukleosynthese ist eine enorme Herausforderung: Eine einzelne realistische 3D-Simulation des r-Prozesses während einer Neutronenstern-Verschmelzung konnte bisher Wochen auf einem Supercomputer in Anspruch nehmen. Ein internationales Forschungsteam am GSI Helmholtzzentrum für Schwerionenforschung und der künftigen Beschleunigeranlage FAIR in Darmstadt hat nun eine elegante Lösung vorgestellt: RHINE. Die im Fachjournal Physical Review D veröffentlichte Arbeit nutzt ein neuronales Deep-Learning-Netzwerk, um den r-Prozess und die dabei entstehende Heizenergie nachzubilden – und macht damit selbstkonsistente 3D-Simulationen in einem Bruchteil der bisherigen Zeit möglich .

Was genau ist RHINE?

RHINE steht für R-process Heating Implementation in hydrodynamic simulations with NEural networks. Es ist ein maschinelles Lernverfahren, das darauf trainiert ist, die nukleare Heizrate und die chemische Zusammensetzung aus dem r-Prozess direkt während einer hydrodynamischen Simulation vorherzusagen. Normalerweise müsste man zu jedem Zeitschritt in jeder Zelle der Simulation ein volles Kernreaktionsnetzwerk durchrechnen – Tausende von Isotopen und ihre Umwandlungen verfolgen. RHINE ersetzt dieses aufwendige Verfahren durch ein kompaktes, schnelles neuronales Netz und senkt den Rechenaufwand damit drastisch .

So funktioniert das Deep-Learning-Modell

RHINE verwendet eine sogenannte Multilayer-Perceptron-Architektur, die mit Tausenden von Referenzrechnungen aus einem vollständigen Kernnetzwerk trainiert wurde. Diese Trainingsdaten decken die thermodynamische und chemische Entwicklung neutronenreicher Materie unter typischen Merger-Bedingungen ab.

Im Einsatz benötigt das trainierte Netzwerk nur vier lokal berechnete Größen als Eingabe: die Dichte, die Temperatur, den Elektronenanteil und die mittlere Massenzahl. Daraus prognostiziert es acht entscheidende Quellterme, die den weiteren Verlauf des r-Prozesses steuern – darunter die nukleare Heizrate, die Änderungen des Elektronenanteils sowie die durchschnittliche Atom- und Massenzahl der Materie .

Diese Vorhersagen werden an jedem Ort und zu jedem Zeitpunkt in die hydrodynamische Simulation eingespeist. Die Forscher müssen das vollständige Kernnetzwerk also nicht länger in Echtzeit mitlaufen lassen. Dieser konzeptionell einfache, aber wirkungsvolle Ansatz beseitigt den Engpass, der lang laufende oder hochauflösende r-Prozess-Simulationen bislang unpraktikabel machte .

So wurde RHINE validiert

Wenn ein maschinelles Lernmodell fundamentale Physikberechnungen ersetzt, ist eine strenge Validierung unerlässlich. Das RHINE-Team unterzog das neuronale Netz zwei anspruchsvollen Testklassen, um seine Zuverlässigkeit unter realistischen Bedingungen sicherzustellen :

• Stationäre Windlösungen: Das Modell wurde an sphärisch symmetrischen, stationären Winden getestet, die ein breites Spektrum an Parametern abdecken – Elektronenanteile, Entropien und Ausströmgeschwindigkeiten, wie sie in Merger-Umgebungen erwartet werden. Die Vorhersagen des Netzwerks stimmten in diesem Parameterraum eng mit den Ergebnissen des vollständigen Netzwerks überein.
• Vollständige 3D-Neutronenstern-Merger-Simulationen: Als anspruchsvolleren Test wendete das Team RHINE in einer kompletten 3D-hydrodynamischen Simulation einer binären Neutronenstern-Verschmelzung an. Die Vorhersagen wurden anschließend mit detaillierten rückwirkenden Nukleosynthese-Berechnungen verglichen. Selbst unter der vollen Komplexität eines dynamischen Merger-Szenarios blieb die Übereinstimmung hoch, was zeigt, dass der KI-Ersatz keine physikalische Genauigkeit einbüßt .

Die Forscher betonten, dass die Methode eine „enorme Menge an Rechenzeit“ einsparen könne, ohne die für die astrophysikalische Interpretation nötige Genauigkeit zu opfern .

Warum das für die Kilonova-Astronomie entscheidend ist

Die vom r-Prozess freigesetzte Energie verändert Geschwindigkeit, Temperatur und chemische Zusammensetzung der ausgeworfenen Materie direkt – alles Faktoren, die die Lichtkurve einer Kilonova prägen, die wir mit Teleskopen beobachten. Die historische Kilonova AT2017gfo, die mit dem Gravitationswellen-Ereignis GW170817 einherging, lieferte den ersten detaillierten Blick auf ein solches Leuchten. Es blieb jedoch schwierig, dieses Signal mit der zugrundeliegenden Kernphysik zu verknüpfen. RHINE erlaubt es nun, die r-Prozess-Heizung selbstkonsistent in 3D-Simulationen einzubauen und damit theoretische Vorhersagen zu generieren, die sich direkt mit beobachteten Kilonovae vergleichen lassen .

Die Verbindung zu Laborexperimenten an FAIR

RHINE wird außerdem als rechnerische Brücke zwischen der Theorie und den kommenden kernphysikalischen Experimenten an FAIR (Facility for Antiproton and Ion Research) in Darmstadt dienen. FAIR wird die Eigenschaften exotischer, neutronenreicher Atomkerne untersuchen, die experimentell bisher unzugänglich sind, aber den r-Prozess entscheidend beeinflussen. Indem RHINE Simulationen so weit beschleunigt, dass sie mit dem Tempo der Datenanalyse Schritt halten können, eröffnet es den Weg, Labormessungen direkt mit astrophysikalischen Beobachtungen zu verknüpfen – und Modelle der Elemententstehung erstmals an realen Kerndaten zu testen .

Offene Wissenschaft: Zugang zum Quellcode

Ganz im Sinne der offenen Wissenschaft hat das Forschungsteam den RHINE-Quellcode auf Zenodo, dem offenen wissenschaftlichen Repositorium, öffentlich zugänglich gemacht. Interessierte Forschergruppen können die Methode hier einsehen und in eigenen Arbeiten nutzen:

https://zenodo.org/records/15864447

Diese öffentliche Freigabe bedeutet, dass andere Simulationsgruppen RHINE in ihre eigenen Merger-Codes implementieren können, was die Wirkung des Frameworks in der gesamten Astrophysik-Gemeinschaft vervielfachen dürfte.