RHINE: AI ปฏิวัติการจำลองการรวมตัวของดาวนิวตรอนเพื่อไขความลับธาตุหนักในเอกภพ

เมื่อดาวนิวตรอน (Neutron Star) สองดวงที่มีความหนาแน่นมหาศาลโคจรหมุนวนเข้าหากันและรวมตัวกัน ปฏิกิริยารุนแรงที่เกิดขึ้นจะพ่นสสารที่อุดมไปด้วยอนุภาคนิวตรอนออกมา ซึ่งเป็นแหล่งกำเนิดของธาตุหนักอย่างเช่น ทองคำ และ แพลทินัม ผ่านกระบวนการที่เรียกว่า การจับยึดนิวตรอนแบบรวดเร็ว หรือ r-process (rapid neutron-capture process)

การสร้างแบบจำลองกระบวนการสังเคราะห์นิวเคลียสนี้มีความสำคัญอย่างยิ่งในการตีความปรากฏการณ์ คิโลโนวา (Kilonova) ซึ่งเป็นแสงสว่างวาบชั่วคราวทางดาราศาสตร์ที่เปิดหน้าต่างให้เราเห็นโรงงานผลิตธาตุในจักรวาลโดยตรง แต่เป็นเวลานานแล้วที่การจำลองกระบวนการ r-process ระหว่างการรวมตัวของดาวนิวตรอนนั้นต้องใช้ทรัพยากรการคำนวณมหาศาล โดยการสร้างแบบจำลองสามมิติเพียงครั้งเดียวอาจใช้เวลาหลายสัปดาห์บนซูเปอร์คอมพิวเตอร์

ล่าสุด ทีมวิจัยนานาชาติจาก GSI/FAIR (ศูนย์วิจัยไอออนหนักเฮล์มโฮลทซ์แห่งเยอรมนี) ได้นำเสนอทางออกที่ใช้งานได้จริง นั่นคือ RHINE งานวิจัยที่ตีพิมพ์ในวารสาร Physical Review D นี้ใช้โครงข่ายประสาทเทียมเชิงลึก (Deep Learning) เพื่อเลียนแบบกระบวนการ r-process และพลังงานที่ปลดปล่อยออกมา ทำให้การจำลองสามมิติที่สอดคล้องในตัวเองเป็นไปได้ภายในเวลาเพียงเศษเสี้ยวของเดิม

RHINE คืออะไรกันแน่?

RHINE ย่อมาจาก R-process Heating Implementation in hydrodynamic simulations with NEural networks เป็นเฟรมเวิร์กการเรียนรู้ของเครื่องที่ออกแบบมาเพื่อทำนายอัตราการปลดปล่อยพลังงานความร้อนจากปฏิกิริยานิวเคลียร์ (Nuclear Heating Rate) และการเปลี่ยนแปลงองค์ประกอบทางเคมีอันเป็นผลจาก r-process แบบเรียลไทม์ระหว่างการจำลองทางพลศาสตร์ของไหล (Hydrodynamic Simulation) ของการรวมตัวของดาวนิวตรอน

โดยปกติแล้ว ในทุกๆ ขั้นตอนของเวลาและทุกๆ เซลล์ในการจำลอง เราจำเป็นต้องเดินเครื่องเครือข่ายปฏิกิริยานิวเคลียร์เต็มรูปแบบ (Full Nuclear Reaction Network) ซึ่งต้องติดตามการเปลี่ยนรูปของไอโซโทปนับพันชนิด นี่คือปัญหาคอขวดที่ทำให้การจำลองใช้เวลานานมาก RHINE เข้ามาแทนที่ส่วนนี้ด้วยโครงข่ายประสาทเทียมขนาดเล็กและทำงานรวดเร็ว ลดภาระการคำนวณลงอย่างมาก

โมเดล Deep Learning ทำงานอย่างไร

RHINE ใช้สถาปัตยกรรมแบบ Multilayer Perceptron (MLP) ที่ได้รับการฝึกฝนจากข้อมูลอ้างอิงการคำนวณ r-process จากเครือข่ายนิวเคลียร์แบบเต็มจำนวนหลายพันตัวอย่าง ข้อมูลฝึกฝนเหล่านี้ครอบคลุมประวัติทางอุณหพลศาสตร์และองค์ประกอบของสสารที่อุดมด้วยนิวตรอนภายใต้สภาวะการรวมตัวของดาว

เมื่อฝึกฝนเสร็จแล้ว โครงข่ายจะรับตัวแปรป้อนเข้าที่ได้จากการจำลองเพียง 4 ค่า ได้แก่ ความหนาแน่น, อุณหภูมิ, สัดส่วนอิเล็กตรอน (Electron Fraction), และเลขมวลเฉลี่ย (Mean Mass Number) จากข้อมูลเหล่านั้น มันทำนายพจน์ต้นทางสำคัญ 8 ค่าที่ควบคุมการดำเนินไปของ r-process ประกอบด้วย อัตราความร้อนนิวเคลียร์ การเปลี่ยนแปลงของสัดส่วนอิเล็กตรอน รวมถึงเลขอะตอมและเลขมวลเฉลี่ยขององค์ประกอบทางเคมี

ด้วยการฉีดค่าทำนายเหล่านี้เข้าสู่แบบจำลองพลศาสตร์ของไหลทุกๆ ตำแหน่งและขั้นตอนเวลา นักวิจัยจึงไม่จำเป็นต้องรันเครือข่ายนิวเคลียร์แบบเต็มอีกต่อไป วิธีการที่เรียบง่ายแต่ทรงพลังนี้หลีกเลี่ยงปัญหาคอขวดที่เคยทำให้การจำลอง r-process ที่ใช้เวลานานหรือมีความละเอียดสูงเป็นเรื่องที่เป็นไปไม่ได้ในทางปฏิบัติ

กระบวนการตรวจสอบความถูกต้องของ RHINE

เมื่อโมเดลการเรียนรู้ของเครื่องเข้ามาแทนที่การคำนวณฟิสิกส์พื้นฐาน การตรวจสอบความถูกต้องเป็นขั้นตอนสำคัญอย่างยิ่งยวด ทีมพัฒนา RHINE ใช้การทดสอบที่เข้มงวดสองชุดเพื่อให้แน่ใจว่าโครงข่ายประสาทเทียมมีความน่าเชื่อถือภายใต้สภาวะที่สมจริง :

• การจำลองลมสถานะคงตัว (Steady-state wind solutions): ทีมวิจัยทดสอบ RHINE บนแบบจำลองลมสมมาตรทรงกลมที่ครอบคลุมพารามิเตอร์หลากหลาย อาทิ สัดส่วนอิเล็กตรอน เอนโทรปี และความเร็วการไหลออกที่คาดว่าจะเกิดในสภาพแวดล้อมการรวมตัว ผลการทำนายของโครงข่ายประสาทเทียมสอดคล้องกับผลลัพธ์จากเครือข่ายนิวเคลียร์เต็มรูปแบบอย่างใกล้ชิดตลอดช่วงพารามิเตอร์ที่กว้างนี้
• การจำลองการรวมตัวของดาวนิวตรอนแบบสามมิติเต็มรูปแบบ: ในฐานะบททดสอบที่หินกว่า พวกเขานำ RHINE ไปใช้ในการจำลองทางพลศาสตร์ของไหลสามมิติแบบสมบูรณ์ของการรวมตัวของระบบดาวนิวตรอนคู่ จากนั้นนำผลทำนายมาเปรียบเทียบกับผลการคำนวณการสังเคราะห์นิวเคลียสโดยละเอียด (Post-processing) ที่คำนวณย้อนหลัง ความสอดคล้องยังคงอยู่ในระดับสูงภายใต้ความซับซ้อนทั้งหมดของการรวมตัวแบบพลวัต บ่งชี้ว่าตัวแทนการเรียนรู้ของเครื่องนี้ไม่ได้เสียสละความถูกต้องทางฟิสิกส์แต่อย่างใด

ในการให้ความเห็นเกี่ยวกับประสิทธิภาพ นักวิจัยระบุว่า วิธีการนี้สามารถ “ประหยัดเวลาการคำนวณได้อย่างมหาศาล” ในขณะที่ยังคงความแม่นยำที่จำเป็นสำหรับการตีความทางฟิสิกส์ดาราศาสตร์

ความสำคัญต่อดาราศาสตร์คิโลโนวา

พลังงานที่ปลดปล่อยจากกระบวนการ r-process ส่งผลโดยตรงต่อความเร็ว อุณหภูมิ และองค์ประกอบของสสารที่พวยพุ่งออกจากการรวมตัว—ปัจจัยทั้งหมดนี้ร่วมกันกำหนดรูปร่างของ “เส้นโค้งแสง” ของคิโลโนวาที่เราสังเกตผ่านกล้องโทรทรรศน์ เหตุการณ์คิโลโนวาครั้งประวัติศาสตร์ชื่อ AT2017gfo ซึ่งมาพร้อมกับการตรวจจับคลื่นความโน้มถ่วง GW170817 ได้ให้ภาพรวมของแสงวาบชนิดนี้อย่างละเอียดครั้งแรก แต่การเชื่อมโยงสัญญาณนั้นกลับไปยังฟิสิกส์นิวเคลียร์พื้นฐานยังคงเป็นความท้าทาย

RHINE ช่วยให้นักวิจัยสามารถรวมเอาความร้อนจาก r-process เข้าไปในแบบจำลองสามมิติได้อย่างสอดคล้องในตัวเอง ทำให้การสร้างคำทำนายทางทฤษฎีที่สามารถนำไปเปรียบเทียบโดยตรงกับคิโลโนวาที่สังเกตการณ์ได้กลายเป็นเรื่องที่ใช้งานได้จริงมากขึ้น

เชื่อมต่อกับห้องปฏิบัติการ FAIR

RHINE ยังจะทำหน้าที่เป็นสะพานเชื่อมทางการคำนวณระหว่างทฤษฎีและการทดลองทางฟิสิกส์นิวเคลียร์ที่กำลังจะมีขึ้น ณ ศูนย์วิจัย FAIR (Facility for Antiproton and Ion Research) ในเมืองดาร์มสตัดท์ ประเทศเยอรมนี FAIR จะตรวจสอบคุณสมบัติของนิวเคลียสแปลกใหม่ที่อุดมด้วยนิวตรอน ซึ่งปัจจุบันยังเกินกว่าขีดความสามารถในการทดลอง แต่มีบทบาทสำคัญอย่างยิ่งยวดต่อผลลัพธ์ของกระบวนการ r-process

ด้วยการเร่งความเร็วการจำลองให้ทันกับความเร็วในการวิเคราะห์ข้อมูล RHINE เปิดเส้นทางสู่การเชื่อมโยงโดยตรงระหว่างผลการวัดในห้องปฏิบัติการและการสังเกตการณ์ทางฟิสิกส์ดาราศาสตร์—เป็นการทดสอบแบบจำลองการก่อตัวของธาตุกับข้อมูลนิวเคลียร์จากโลกจริงเป็นครั้งแรก

วิทยาศาสตร์แบบเปิด: เข้าถึงซอร์สโค้ด

ด้วยจิตวิญญาณของวิทยาศาสตร์แบบเปิด ทีมวิจัยได้เปิดเผยซอร์สโค้ดของ RHINE ต่อสาธารณะบน Zenodo ซึ่งเป็นคลังข้อมูลทางวิทยาศาสตร์แบบเปิด นักวิจัยที่สนใจใช้งานหรือต่อยอดวิธีการนี้สามารถเข้าถึงได้ที่:

https://zenodo.org/records/15864447

การเผยแพร่สู่สาธารณะนี้หมายความว่ากลุ่มวิจัยด้านการจำลองอื่นๆ ทั่วโลกสามารถนำ RHINE ไปปรับใช้กับโค้ดการรวมตัวของดาวนิวตรอนของตนเองได้ เป็นการขยายผลกระทบของเฟรมเวิร์กนี้ไปทั่วทั้งวงการฟิสิกส์ดาราศาสตร์