Slik bruker forskerne kunstig intelligens til å simulere universets mest voldsomme smie

Når to ekstremt kompakte nøytronstjerner, hver med en masse større enn solens presset sammen til en by på størrelse med Oslo, spiralerer inn i hverandre og kolliderer, skapes et kaotisk kosmisk laboratorium. I denne voldsomme hendelsen slynges nøytronrik materie ut i rommet, og gjennom den såkalte r-prosessen (rask nøytroninnfangning) smis universets tunge grunnstoffer – deriblant gullet i smykket ditt og platinaet i bilkatalysatoren .

Å forstå hvordan denne kosmiske alkymien foregår i detalj, har imidlertid vært en hodepine for astrofysikere. En fullstendig 3D-simulering som inkluderer alle de titusenvis av kjernefysiske reaksjonene i r-prosessen, kunne tidligere sluke flere uker med regnekraft på selv de kraftigste superdatamaskiner. For hvert tidsskritt i hver eneste celle av simuleringen måtte man nemlig spore oppførselen til tusenvis av ulike isotoper .

Nå har et internasjonalt forskerteam tilknyttet GSI Helmholtzzentrum für Schwerionenforschung og det fremtidige FAIR-anlegget (Facility for Antiproton and Ion Research) i Darmstadt, Tyskland, funnet en elegant løsning med hjelp av kunstig intelligens. De har skapt RHINE.

Hva er RHINE?

RHINE står for R-process Heating Implementation in hydrodynamic simulations with NEural networks. I korte trekk er det et rammeverk for maskinlæring som fungerer som en lynrask «stand-in» for de tunge fysiske beregningene av r-prosessen og varmeenergien den frigjør – midt i en hydrodynamisk simulering av en nøytronstjernekollisjon .

I stedet for å kjøre et komplett nettverk av kjernefysiske reaksjoner i sanntid, lar RHINE et forhåndstrent, lite nevralt nettverk gjøre jobben nesten umiddelbart .

Hvordan fungerer den kunstige intelligensen?

Arkitekturen i RHINE er et såkalt multilayer perceptron (flerlags nevralt nettverk). Det ble trent opp på tusenvis av referanseberegninger fra det fullstendige kjernenettverket, basert på termodynamiske historier for nøytronrik materie under ekstreme forhold.

Etter trening trenger det nevrale nettverket bare fire enkle, lokale input for å gjøre komplekse prediksjoner :

• Massetetthet
• Temperatur
• Elektronfraksjon (forholdet mellom protoner og nøytroner)
• Gjennomsnittlig massetall

Ut fra disse få parametrene spytter nettverket lynraskt ut åtte nøkkelstørrelser som styrer r-prosessen. Dette inkluderer oppvarmingsraten fra kjernereaksjonene, samt hvordan grunnstoffsammensetningen endrer seg . Ved å mate disse prediksjonene inn i den hydrodynamiske simuleringen for hvert sted og tidsskritt, unngår man den massive flaskehalsen som tidligere gjorde langvarige simuleringer upraktiske .

Stålkontroll av modellen

Når kunstig intelligens skal erstatte grunnleggende fysikkberegninger, er tillit avgjørende. For å sikre at RHINE er til å stole på selv under realistiske forhold, gjennomførte teamet to strenge valideringsklasser :

• Stasjonære vindløsninger: Først testet de nettverket på kulesymmetriske, stasjonære vinder over et bredt parameterrom — med variasjoner i elektronfraksjon, entropi og utstrømningshastigheter slik de forventes i en fusjon. Det nevrale nettverkets prediksjoner stemte svært godt overens med det fulle kjernenettverket.
• Fullverdige 3D-simuleringer: Den virkelige prøven kom da RHINE ble satt inn i en komplett hydrodynamisk 3D-simulering av en binær nøytronstjernekollisjon. Svarene den ga i sanntid ble sammenlignet med detaljerte nukleosynteseberegninger gjort i etterkant. Overensstemmelsen var forbløffende god, noe som beviser at modellen ikke ofrer fysisk presisjon for hastighet .

Forskerne selv understreker at metoden kan spare en «enorm mengde beregningstid» uten å miste den nøyaktigheten som kreves for astrofysiske tolkninger .

Derfor er dette et kvantesprang for kilonova-forskning

Energien som frigjøres i r-prosessen endrer hastigheten, temperaturen og sammensetningen av materien som slynges ut – og dette former direkte lyssignalet fra en kilonova, den flyktige, men intense eksplosjonen vi kan observere med teleskoper. Den berømte kilonovaen AT2017gfo, som ble oppdaget i kjølvannet av gravitasjonsbølgehendelsen GW170817, ga oss det første detaljerte blikket på en slik lysglimt.

Å knytte et slikt lyssignal tilbake til den underliggende kjernefysikken, har vært krevende. Takket være RHINE kan forskerne nå inkludere r-prosess-oppvarmingen selvkonsistent i 3D-simuleringer, noe som gjør det langt mer praktisk å lage teoretiske prediksjoner vi kan sammenligne direkte med nye kilonova-observasjoner .

Fra teoretiske modeller til laboratoriet i Darmstadt

RHINE er mer enn bare et simuleringseventyr – det er en komputasjonell brobygger. Ved FAIR-anlegget i Tyskland skal forskere snart kunne utforske egenskaper til eksotiske, nøytronrike atomkjerner som i dag er utilgjengelige for eksperimenter, men som har enorm betydning for hvordan r-prosessen forløper. Ved å akselerere simuleringer i takt med dataanalysen, gir RHINE et etterlengtet verktøy for å koble laboratoriemålinger direkte med det vi ser i verdensrommet – og dermed teste elementdannelsesmodeller mot ekte kjernefysiske data for første gang .

Åpen vitenskap: Koden er din!

I åpenhetens ånd har forskerteamet gjort kildekoden til RHINE offentlig tilgjengelig på Zenodo, et åpent vitenskapelig arkiv. Andre forskningsgrupper kan fritt ta i bruk eller bygge videre på metoden, noe som vil forsterke rammeverkets innvirkning på hele astrofysikkmiljøet. Du finner koden her:

https://zenodo.org/records/15864447