Sztuczna inteligencja zagląda do wnętrza zderzeń gwiazd neutronowych. RHINE odblokowuje sekrety najcięższych pierwiastków

Gdy dwie ultragęste gwiazdy neutronowe spiralnie zbliżają się do siebie i zderzają, w tym niezwykle gwałtownym zdarzeniu wyrzucana jest materia niezwykle bogata w neutrony. To właśnie tam, w procesie szybkiego wychwytu neutronów (procesie r), powstają tak ciężkie pierwiastki jak złoto czy platyna. Modelowanie tej kosmicznej nukleosyntezy jest kluczowe dla zrozumienia kilonowych – ulotnych zjawisk astronomicznych, będących naszym bezpośrednim oknem na fabryki pierwiastków. Dotychczas jednak symulacje procesu r podczas zderzenia gwiazd neutronowych były notorycznie kosztowne obliczeniowo. Stworzenie jednego modelu 3D często pochłaniało tygodnie pracy superkomputerów.

Międzynarodowy zespół badawczy z ośrodka GSI/FAIR zaprezentował właśnie praktyczne rozwiązanie: narzędzie o nazwie RHINE. Opublikowane w czasopiśmie Physical Review D, wykorzystuje ono głębokie sieci neuronowe do emulacji procesu r i uwalnianej w nim energii, czyniąc spójne symulacje 3D wykonalnymi w ułamku dotychczasowego czasu .

Czym jest RHINE?

RHINE to skrót od R-process Heating Implementation in hydrodynamic simulations with NEural networks (Implementacja Ogrzewania w Procesie r w Symulacjach Hydrodynamicznych z wykorzystaniem Sieci Neuronowych). Jest to platforma uczenia maszynowego, zaprojektowana do przewidywania tempa ogrzewania jądrowego i zmian składu materii w procesie r na bieżąco, podczas hydrodynamicznej symulacji zderzenia gwiazd neutronowych. Standardowo, w każdej komórce symulacji i w każdym kroku czasowym, należałoby uruchamiać pełną sieć reakcji jądrowych, śledzącą transformacje tysięcy izotopów. RHINE zastępuje to małą, szybką siecią neuronową, radykalnie obniżając koszt obliczeniowy .

Jak działa model głębokiego uczenia?

RHINE opiera się na architekturze perceptronu wielowarstwowego (MLP), który został wytrenowany na tysiącach referencyjnych obliczeń procesu r z pełnej sieci jądrowej. Dane treningowe odwzorowują termodynamiczne i kompozycyjne historie materii bogatej w neutrony w warunkach panujących podczas zderzenia. Po wytrenowaniu, sieć przyjmuje na wejściu tylko cztery lokalnie ewoluujące wielkości: gęstość, temperaturę, ułamek elektronowy i średnią liczbę masową. Na tej podstawie przewiduje osiem kluczowych parametrów sterujących przebiegiem procesu r – w tym tempo ogrzewania jądrowego, zmiany ułamka elektronowego oraz średnie liczby atomowe i masowe składu .

Wstrzykując te przewidywania do symulacji hydrodynamicznej w każdym punkcie i kroku czasowym, naukowcy nie muszą już uruchamiać pełnej sieci jądrowej w czasie rzeczywistym. To koncepcyjnie proste, ale potężne podejście eliminuje wąskie gardło, które dotąd czyniło długotrwałe lub wysokorozdzielcze symulacje procesu r niepraktycznymi .

Walidacja – czy można ufać AI?

Walidacja jest kluczowa, gdy model uczenia maszynowego zastępuje fundamentalne obliczenia fizyczne. Zespół RHINE zastosował dwie rygorystyczne klasy testów, aby upewnić się, że sieć neuronowa jest niezawodna w realistycznych warunkach :

• Rozwiązania stacjonarnych wiatrów sferycznych: zespół przetestował RHINE na sferycznie symetrycznych, stacjonarnych wiatrach, pokrywających szeroki zakres parametrów – ułamków elektronowych, entropii i prędkości wypływu spodziewanych w środowisku zderzenia. Przewidywania sieci ściśle pokrywały się z wynikami pełnych sieci jądrowych w całej tej przestrzeni parametrów.
• Pełne symulacje 3D zderzeń gwiazd neutronowych: jako trudniejszy test, zastosowano RHINE w kompletnej trójwymiarowej symulacji hydrodynamicznej zderzenia układu podwójnego gwiazd neutronowych. Następnie przewidywania porównano ze szczegółową nukleosyntezą obliczoną retrospektywnie. Zgodność pozostała wysoka w pełnej złożoności dynamicznego zderzenia, co wskazuje, że model AI nie poświęca wierności fizycznej .

Komentując wydajność, naukowcy zauważyli, że metoda ta pozwala zaoszczędzić „ogromną ilość czasu obliczeniowego”, zachowując dokładność niezbędną do interpretacji astrofizycznej .

Dlaczego to przełom dla astronomii kilonowych?

Energia uwalniana w procesie r bezpośrednio wpływa na prędkość, temperaturę i skład materii wyrzuconej podczas zderzenia – wszystkie te czynniki kształtują obserwowaną przez teleskopy krzywą blasku kilonowej. Przełomowa kilonowa AT2017gfo, powiązana z detekcją fal grawitacyjnych GW170817, po raz pierwszy ukazała szczegółowo taką emisję, ale powiązanie tego sygnału z leżącą u jego podstaw fizyką jądrową stanowiło wyzwanie. RHINE umożliwia teraz naukowcom spójne włączanie ogrzewania z procesu r do symulacji 3D, czyniąc znacznie łatwiejszym generowanie teoretycznych przewidywań, które można bezpośrednio porównywać z obserwowanymi kilonowymi .

Pomost do eksperymentów w laboratorium FAIR

RHINE posłuży również jako obliczeniowy pomost między teorią a nadchodzącymi eksperymentami fizyki jądrowej w ośrodku FAIR (Facility for Antiproton and Ion Research) w Darmstadt w Niemczech. FAIR będzie badać właściwości egzotycznych jąder bogatych w neutrony, które są obecnie poza zasięgiem eksperymentalnym, ale mają kluczowy wpływ na wyniki procesu r. Przyspieszając symulacje do tempa analizy danych, RHINE oferuje ścieżkę do bezpośredniego powiązania pomiarów laboratoryjnych z obserwacjami astrofizycznymi – testując modele powstawania pierwiastków z rzeczywistymi danymi jądrowymi po raz pierwszy .

Otwarta nauka: kod źródłowy dostępny dla wszystkich

W duchu otwartej nauki, zespół badawczy publicznie udostępnił kod źródłowy RHINE na platformie Zenodo, otwartym repozytorium naukowym. Badacze zainteresowani wykorzystaniem lub rozwinięciem tej metody mogą uzyskać do niego dostęp pod adresem:

https://zenodo.org/records/15864447

Takie publiczne udostępnienie oznacza, że inne grupy zajmujące się symulacjami mogą zaimplementować RHINE we własnych kodach, zwiększając wpływ tego narzędzia na całą społeczność astrofizyczną.