RHINE sätter AI in i neutronstjärnekollisioner för att avslöja tunga grundämnens hemligheter

När två extremt kompakta neutronstjärnor spiralar in i varandra och kolliderar, slungas neutronrik materia ut i en våldsam process. I detta kosmiska inferno skapas tunga grundämnen som guld och platina genom den så kallade r-processen – en snabb neutroninfångning. Att modellera denna nukleosyntes, alltså hur atomkärnor byggs upp, är avgörande för att tolka ljuset från den efterföljande kilonovan. Det är denna övergående astronomiska händelse som ger oss ett direkt fönster mot universums elementfabriker. Problemet har länge varit att simulera r-processen under en neutronstjärnesammanslagning är notoriskt beräkningstungt – en enda 3D-modell har ofta krävt veckor av superdatortid.

Ett internationellt forskarlag vid GSI/FAIR i Darmstadt, Tyskland, har nu presenterat en praktisk lösning: RHINE. Ramverket, som publicerats i tidskriften Physical Review D, använder ett neuralt nätverk med djupinlärning för att emulera r-processen och den energi den frigör. Detta gör självkonsistenta 3D-simuleringar genomförbara på en bråkdel av den tid som tidigare krävdes .

Vad är RHINE egentligen?

RHINE står för R-process Heating Implementation in hydrodynamic simulations with NEural networks. Det är ett ramverk för maskininlärning designat för att i realtid förutsäga den nukleära upphettningshastigheten och kompositionsförändringarna från r-processen under en hydrodynamisk simulering av en neutronstjärnesammanslagning. I vanliga fall skulle ett fullständigt nätverk av kärnreaktioner – där omvandlingar mellan tusentals isotoper spåras – behöva köras i varje tidssteg och i varje cell av simuleringen. RHINE ersätter detta med ett kompakt och snabbt neuralt nätverk, vilket drastiskt minskar beräkningskostnaden .

Så fungerar djupinlärningsmodellen

RHINE använder en så kallad flerlagersperceptron (en typ av neuralt nätverk) som har tränats på tusentals referensberäkningar av r-processen från ett fullständigt kärnnätverk. Träningsdatan kartlägger den termodynamiska och kompositionsmässiga historien för neutronrik materia under förhållanden som råder vid en sammanslagning. När nätverket väl är tränat tar det bara fyra lokalt framräknade simuleringsvärden som indata: lokal densitet, temperatur, elektronfraktion och medelmassatal. Utifrån dessa förutsäger det åtta nyckeltermer som styr hur r-processen fortskrider – inklusive upphettningshastigheten, förändringar i elektronfraktionen samt genomsnittligt atom- och masstal för kompositionen .

Genom att injicera dessa förutsägelser i den hydrodynamiska simuleringen på varje plats och vid varje tidssteg, slipper forskarna köra det fullständiga kärnnätverket i realtid. Detta konceptuellt enkla men kraftfulla angreppssätt kringgår den flaskhals som tidigare gjorde långvariga eller högupplösta r-processimuleringar opraktiska .

Så validerades RHINE

Validering är kritiskt när en maskininlärningsmodell ersätter fundamentala fysikberäkningar. RHINE-teamet använde två rigorösa klasser av tester för att säkerställa att det neurala nätverket var tillförlitligt under realistiska förhållanden :

• Steady-state vindlösningar: Teamet testade RHINE på sfäriskt symmetriska, stabila vindar som täckte ett brett spektrum av parametrar – med variationer i elektronfraktioner, entropier och utflödeshastigheter som förväntas i sammanslagningsmiljöer. Nätverkets förutsägelser matchade det fullständiga nätverkets resultat nära över hela detta parameterutrymme.
• Fullständiga 3D-simuleringar av neutronstjärnesammanslagningar: Som ett tuffare test tillämpades RHINE i en komplett 3D-hydrodynamisk simulering av en binär neutronstjärnesammanslagning. Förutsägelserna jämfördes sedan retrospektivt med detaljerade nukleosyntesberäkningar. Överensstämmelsen förblev hög under den fulla komplexiteten hos en dynamisk sammanslagning, vilket indikerar att maskininlärningssubstitutet inte offrade fysikalisk trohet .

I en kommentar till prestandan noterade forskarna att metoden kan spara en ”enorm mängd datortid” samtidigt som den bibehåller den noggrannhet som krävs för astrofysisk tolkning .

Varför detta är viktigt för kilonova-astronomin

Energin som frigörs av r-processen förändrar direkt hastigheten, temperaturen och sammansättningen hos det utkastade materialet – alla faktorer som formar den ljuskurva från kilonovan som vi observerar genom teleskop. Den banbrytande kilonovan AT2017gfo, associerad med gravitationsvågshändelsen GW170817, gav den första detaljerade bilden av en sådan emission, men att koppla den signalen tillbaka till den underliggande kärnfysiken har varit en utmaning. RHINE gör det nu möjligt för forskare att självkonsistent inkludera r-processupphettning i 3D-simuleringar, vilket gör det mycket mer praktiskt att generera teoretiska förutsägelser som direkt kan jämföras med observerade kilonovor .

Koppling till laboratorieexperiment vid FAIR

RHINE kommer också att fungera som en beräkningsmässig bro mellan teori och kommande kärnfysikexperiment vid FAIR (Facility for Antiproton and Ion Research) i Darmstadt. FAIR kommer att undersöka egenskaperna hos exotiska, neutronrika atomkärnor som idag är utom räckhåll för experiment, men som kritiskt formar resultaten av r-processen. Genom att accelerera simuleringar så att de matchar hastigheten i dataanalysen, erbjuder RHINE en väg att direkt koppla laboratoriemätningar till astrofysiska observationer – och för första gången testa modeller av grundämnesbildning mot verklig kärnfysikalisk data .

Öppen vetenskap: Tillgång till koden

I öppen vetenskaps anda har forskarteamet gjort RHINEs källkod offentligt tillgänglig på Zenodo, det öppna vetenskapliga arkivet. Forskare som är intresserade av att använda eller bygga vidare på metoden kan ta del av den här:

https://zenodo.org/records/15864447

Denna offentliga publicering innebär att andra simuleringsgrupper kan implementera RHINE i sina egna sammanslagningskoder, vilket utökar ramverkets inverkan över det bredare astrofysikaliska forskarsamhället.