RHINE: AI Mempercepat Simulasi Penggabungan Bintang Neutron untuk Menyingkap Rahsia Unsur Berat

Apabila dua bintang neutron yang sangat tumpat berpilin antara satu sama lain dan bergabung, peristiwa ganas itu menyemburkan jirim kaya neutron yang membentuk unsur berat seperti emas dan platinum melalui proses penangkapan neutron pantas—atau proses-r. Memodelkan nukleosintesis ini adalah penting untuk mentafsir kilonova yang terhasil, satu peristiwa astronomi sementara yang memberi kita tingkap langsung ke dalam kilang unsur kosmik. Tetapi mensimulasikan proses-r semasa penggabungan bintang neutron sememangnya terkenal dengan kos pengiraan yang tinggi, selalunya mengambil masa berminggu-minggu pengkomputeran super untuk satu model 3D.

Satu pasukan penyelidikan antarabangsa di GSI/FAIR kini telah memperkenalkan penyelesaian yang praktikal: RHINE. Diterbitkan dalam Physical Review D, rangka kerja baharu ini menggunakan rangkaian neural pembelajaran mendalam untuk mengemulasi proses-r dan tenaga yang dibebaskan, menjadikan simulasi 3D yang tekal sendiri boleh dilaksanakan dalam masa yang singkat .

Apakah sebenarnya RHINE?

RHINE adalah singkatan untuk R-process Heating Implementation in hydrodynamic simulations with NEural networks (Pelaksanaan Pemanasan Proses-r dalam simulasi hidrodinamik dengan Rangkaian Neural). Ia adalah satu rangka kerja pembelajaran mesin yang direka bentuk untuk meramalkan kadar pemanasan nuklear dan perubahan komposisi daripada proses-r secara langsung semasa simulasi hidrodinamik penggabungan bintang neutron. Biasanya, rangkaian tindak balas nuklear penuh—yang mengesan transformasi ribuan isotop—diperlukan pada setiap langkah masa dalam setiap sel simulasi. RHINE menggantikan ini dengan rangkaian neural yang kecil dan pantas, mengurangkan kos pengiraan secara mendadak .

Bagaimana model pembelajaran mendalam ini berfungsi

RHINE menggunakan seni bina perceptron berbilang lapisan yang telah dilatih menggunakan ribuan pengiraan proses-r rujukan daripada rangkaian nuklear penuh. Data latihan tersebut menjejaki sejarah termodinamik dan komposisi jirim kaya neutron di bawah keadaan penggabungan. Setelah dilatih, rangkaian ini hanya mengambil empat kuantiti simulasi yang berevolusi secara setempat sebagai input: ketumpatan setempat, suhu, pecahan elektron, dan nombor purata jisim. Daripada input ini, ia meramalkan lapan sebutan sumber utama yang mengawal bagaimana proses-r berjalan—termasuk kadar pemanasan nuklear, perubahan dalam pecahan elektron, dan purata nombor atom dan jisim komposisi tersebut .

Dengan menyuntik ramalan ini ke dalam simulasi hidrodinamik di setiap lokasi dan langkah masa, para penyelidik tidak lagi perlu menjalankan rangkaian nuklear penuh dalam masa sebenar. Pendekatan yang ringkas dari segi konsep tetapi berkuasa ini mengelakkan kesesakan yang sebelum ini menyebabkan simulasi proses-r jangka panjang atau beresolusi tinggi tidak praktikal .

Bagaimana RHINE disahkan

Pengesahan adalah kritikal apabila model pembelajaran mesin menggantikan pengiraan fizik asas. Pasukan RHINE menggunakan dua kelas ujian yang ketat untuk memastikan rangkaian neural itu boleh dipercayai di bawah keadaan realistik :

• Penyelesaian angin keadaan mantap: Pasukan ini menguji RHINE pada angin keadaan mantap bersimetri sfera yang meliputi grid parameter yang luas—merangkumi pecahan elektron, entropi, dan halaju aliran keluar yang dijangka dalam persekitaran penggabungan. Ramalan rangkaian sepadan rapat dengan keputusan rangkaian penuh di seluruh ruang parameter ini.
• Simulasi penggabungan bintang neutron 3D penuh: Sebagai ujian yang lebih ketat, mereka menggunakan RHINE dalam simulasi hidrodinamik 3D lengkap bagi penggabungan dua bintang neutron. Ramalan itu kemudian dibandingkan dengan nukleosintesis pasca-pemprosesan terperinci yang dikira secara retrospektif. Persetujuan kekal tinggi di bawah kerumitan penuh penggabungan dinamik, menunjukkan bahawa pengganti pembelajaran mesin itu tidak mengorbankan ketepatan fizikal .

Mengulas mengenai prestasi ini, para penyelidik menyatakan bahawa kaedah ini dapat menjimatkan "jumlah masa pengkomputeran yang amat besar" sambil mengekalkan ketepatan yang diperlukan untuk tafsiran astrofizik .

Mengapa ini penting untuk astronomi kilonova

Tenaga yang dibebaskan oleh proses-r secara langsung mengubah halaju, suhu, dan komposisi ejekta penggabungan—kesemua faktor yang membentuk lengkung cahaya kilonova yang kita perhatikan melalui teleskop. Kilonova penting AT2017gfo, yang dikaitkan dengan peristiwa gelombang graviti GW170817, memberi pandangan terperinci pertama tentang pancaran sedemikian, tetapi menghubungkan isyarat itu kembali kepada fizik nuklear asas telah menjadi satu cabaran. RHINE kini membolehkan penyelidik menggabungkan pemanasan proses-r secara tekal sendiri dalam simulasi 3D, menjadikannya jauh lebih praktikal untuk menghasilkan ramalan teori yang boleh dibandingkan secara langsung dengan kilonova yang diperhatikan .

Menghubungkan kepada eksperimen makmal di FAIR

RHINE juga akan berfungsi sebagai jambatan pengiraan antara teori dan eksperimen fizik nuklear yang akan datang di FAIR, iaitu Kemudahan Penyelidikan Antiproton dan Ion di Darmstadt, Jerman. FAIR akan menyiasat sifat-sifat nukleus eksotik kaya neutron yang kini di luar jangkauan eksperimen tetapi secara kritikal membentuk hasil proses-r. Dengan mempercepatkan simulasi agar sepadan dengan kelajuan analisis data, RHINE menawarkan laluan untuk menghubungkan secara langsung ukuran makmal dengan pemerhatian astrofizik—menguji model pembentukan unsur terhadap data nuklear dunia sebenar buat kali pertama .

Sains terbuka: Akses kod sumber

Dalam semangat sains terbuka, pasukan penyelidik telah menjadikan kod sumber RHINE tersedia secara awam di Zenodo, repositori saintifik akses terbuka. Penyelidik yang berminat untuk menggunakan atau membina kaedah ini boleh mengaksesnya di:

https://zenodo.org/records/15864447

Pelepasan awam ini bermakna kumpulan simulasi lain boleh melaksanakan RHINE dalam kod penggabungan mereka sendiri, memperluaskan impak rangka kerja ini ke seluruh komuniti astrofizik yang lebih luas.