RHINE: Tekoäly neutronitähtien törmäysten ytimeen – näin syntyvät maailmankaikkeuden raskaimmat alkuaineet

Kun kaksi äärimmäisen tiheää neutronitähteä kiertyy toisiinsa ja törmää, raju tapahtuma sinkoaa avaruuteen neutronirikasta ainesta. Tässä aineksessa syntyy nopean neutronisieppausprosessin eli r-prosessin kautta raskaita alkuaineita, kuten kultaa ja platinaa. Tämän nukleosynteesin mallintaminen on elintärkeää, jotta voimme tulkita törmäyksen jälkihehkua, kilonovaa, joka on suora ikkuna kosmisiin alkuainetehtaisiin. R-prosessin simulointi neutronitähtien törmäyksessä on kuitenkin ollut tunnetun laskennallisesti raskasta – yksi ainoa 3D-malli on voinut viedä supertietokoneelta viikkoja.

GSI/FAIR-tutkimuskeskuksen kansainvälinen ryhmä on nyt esitellyt käytännöllisen ratkaisun: RHINE. Physical Review D -lehdessä julkaistu viitekehys käyttää syväoppivaa neuroverkkoa emuloimaan r-prosessia ja sen vapauttamaa energiaa, mikä tekee itsekonsistenteista 3D-simulaatioista toteuttamiskelpoisia murto-osassa entisestä ajasta .

Mikä RHINE tarkalleen ottaen on?

RHINE on lyhenne sanoista R-process Heating Implementation in hydrodynamic simulations with NEural networks. Se on koneoppimiseen perustuva viitekehys, joka on suunniteltu ennustamaan r-prosessin aiheuttamaa lämpenemisnopeutta ja koostumuksen muutoksia lennosta hydrodynaamisen simulaation aikana. Normaalisti simulaation jokaisessa solussa ja jokaisella aika-askeleella jouduttaisiin ajamaan täydellinen ydinreaktioverkko, joka seuraa tuhansien isotooppien muutoksia. RHINE korvaa tämän pienellä ja nopealla neuroverkolla, leikaten laskentakustannuksia dramaattisesti .

Miten syväoppiva malli toimii?

RHINE hyödyntää monikerrosperseptroniarkkitehtuuria, joka on koulutettu tuhansilla referenssilaskelmilla täydellisestä ydinreaktioverkosta. Nämä harjoitusdatajoukot kuvaavat neutronirikkaan aineen termodynaamisia ja koostumuksellisia historioita törmäysolosuhteissa. Koulutuksen jälkeen neuroverkko ottaa vastaan vain neljä paikallisesti simulaatiossa kehittynyttä suuretta: tiheyden, lämpötilan, elektroniosuuden ja keskimääräisen massaluvun. Näiden syötteiden perusteella se ennustaa kahdeksan keskeistä lähdetermiä, jotka ohjaavat r-prosessin kulkua – mukaan lukien ydinlämpenemisnopeuden, muutokset elektroniosuudessa sekä aineksen keskimääräisen järjestys- ja massaluvun .

Kun nämä ennusteet syötetään hydrodynaamiseen simulaatioon jokaisessa pisteessä ja aika-askeleessa, tutkijoiden ei enää tarvitse ajaa täydellistä ydinreaktioverkkoa reaaliajassa. Tämä käsitteellisesti yksinkertainen mutta tehokas lähestymistapa kiertää pullonkaulan, joka aiemmin teki pitkäkestoisista tai korkean resoluution r-prosessisimulaatioista epäkäytännöllisiä .

RHINEn validointi

Validointi on kriittistä aina, kun koneoppimismalli korvaa fysiikan peruslaskentaa. RHINE-tiimi käytti kahta tiukkaa testiluokkaa varmistaakseen neuroverkon luotettavuuden realistisissa olosuhteissa :

• Pallosymmetriset stationaariset tuuliratkaisut: Tiimi testasi RHINEa pallosymmetrisillä, jatkuvuustilassa olevilla tuulilla, jotka kattoivat laajan parametrikirjon – mukaan lukien elektroniosuudet, entropiat ja ulosvirtausnopeudet, joita odotetaan törmäysympäristöissä. Verkon ennusteet vastasivat tarkasti täydellisen verkon tuloksia koko parametriavaruudessa.
• Täydet 3D-neutronitähtien törmäyssimulaatiot: Kovempana testinä he sovelsivat RHINEa täydessä 3D-hydrodynaamisessa simulaatiossa kahden neutronitähden törmäyksestä. Ennusteita verrattiin sitten yksityiskohtaisiin, jälkikäteen laskettuihin nukleosynteesituloksiin. Yhteensopivuus säilyi korkeana dynaamisen törmäyksen täydessä monimutkaisuudessa, mikä osoitti, ettei koneoppimiskorvike uhrannut fysikaalista tarkkuutta .

Tutkijat kommentoivat suorituskykyä toteamalla, että menetelmällä voidaan säästää ”valtavasti laskenta-aikaa” säilyttäen samalla astrofysikaaliseen tulkintaan tarvittava tarkkuus .

Miksi tällä on merkitystä kilonovatähtitieteelle?

R-prosessin vapauttama energia muuttaa suoraan törmäyksessä sinkoutuvan aineen nopeutta, lämpötilaa ja koostumusta – kaikki tekijöitä, jotka muovaavat teleskoopeilla havaittavaa kilonovan valokäyrää. Vuoden 2017 merkittävä gravitaatioaaltohavainto GW170817 ja siihen liittynyt kilonova AT2017gfo antoivat ensimmäisen yksityiskohtaisen katsauksen tällaiseen emissioon, mutta signaalin yhdistäminen taustalla olevaan ydinfysiikkaan on ollut haaste. RHINE mahdollistaa nyt sen, että tutkijat voivat sisällyttää r-prosessin lämmityksen itsekonsistentisti 3D-simulaatioihin, mikä tekee teoreettisten ennusteiden tuottamisesta ja niiden vertaamisesta havaittuihin kilonoviin huomattavasti käytännöllisempää .

Yhteys FAIRin laboratoriokokeisiin

RHINE toimii myös laskennallisena siltana teorian ja tulevien ydinfysiikan kokeiden välillä FAIRissa (Facility for Antiproton and Ion Research) Darmstadtissa, Saksassa. FAIR tulee tutkimaan eksoottisten, neutronirikkaiden ytimien ominaisuuksia, jotka ovat tällä hetkellä kokeellisen tutkimuksen ulottumattomissa mutta vaikuttavat ratkaisevasti r-prosessin lopputuloksiin. Nopeuttamalla simulaatioita vastaamaan data-analyysin nopeutta RHINE tarjoaa polun yhdistää suoraan laboratoriomittaukset astrofysikaalisiin havaintoihin – testaten alkuaineiden syntymalleja todellista ydinfysiikan dataa vasten ensimmäistä kertaa .

Avoin tiede: Lähdekoodi saatavilla

Avoimen tieteen hengessä tutkimusryhmä on julkaissut RHINEn lähdekoodin vapaasti Zenodossa, avoimessa tieteellisessä tietoarkistossa. Menetelmästä kiinnostuneet tutkijat voivat käyttää sitä osoitteessa:

https://zenodo.org/records/15864447

Tämä julkinen julkaisu tarkoittaa, että muut simulaatioryhmät voivat ottaa RHINEn käyttöön omissa törmäyskoodeissaan, laajentaen viitekehyksen vaikutusta koko astrofysiikan tutkimusyhteisössä.