Штучний інтелект зазирає всередину зіткнень нейтронних зір, щоб розкрити секрети космічного золота

Коли дві надщільні нейтронні зорі, закручуючись по спіралі, зливаються в єдине ціле, цей катастрофічний танець викидає у простір потоки речовини, насиченої нейтронами. Саме там, у цьому пекельному горнилі, завдяки процесу швидкого захоплення нейтронів (r-процесу) народжуються найважчі елементи Всесвіту — золото, платина, уран. Змоделювати цей процес — означає зазирнути у роботу космічної фабрики елементів, а ключем до розуміння слугує кілонова — швидкоплинний астрономічний спалах, що сяє після злиття.

Проте досі моделювання r-процесу було справжнім викликом навіть для найпотужніших суперкомп'ютерів. Аби прорахувати єдину 3D-модель, могли знадобитися тижні безперервної роботи. Тепер міжнародна команда науковців із дослідницького центру GSI/FAIR у німецькому Дармштадті запропонувала рішення, що змінює правила гри. У статті, опублікованій в журналі Physical Review D, вони представили систему RHINE — інструмент на основі глибинного навчання, який робить самоузгоджені 3D-симуляції реальними за лічені години .

Що таке RHINE?

Абревіатура RHINE розшифровується як R-process Heating Implementation in hydrodynamic simulations with NEural networks, тобто «Впровадження нагріву від r-процесу в гідродинамічні симуляції за допомогою нейронних мереж». Це програмний каркас із використанням машинного навчання, створений для прогнозування швидкості ядерного нагріву та змін у складі речовини внаслідок r-процесу — і все це «на льоту», безпосередньо під час гідродинамічної симуляції. Зазвичай для цього на кожному кроці й у кожній комірці моделі доводилося б запускати повноцінну ядерну реакційну мережу, яка відстежує перетворення тисяч ізотопів. RHINE замінює цього обчислювального монстра маленькою та швидкою нейромережею, радикально знижуючи витрати обчислювальних ресурсів .

Як працює ця нейромережа?

В основі RHINE лежить багатошаровий перцептрон — архітектура, навчена на тисячах еталонних розрахунків, виконаних повною ядерною мережею. Ці навчальні дані описують термодинамічну та композиційну історію речовини в умовах, характерних для злиття нейтронних зір. Після навчання мережі достатньо лише чотирьох локальних параметрів, які симуляція обчислює самостійно: густини, температури, електронної фракції (частки електронів) та середнього масового числа. На основі цих вхідних даних вона передбачає вісім ключових величин, що керують перебігом r-процесу: швидкість ядерного нагріву, зміну електронної фракції, середні атомні й масові числа суміші .

Вбудувавши ці передбачення в гідродинамічну симуляцію, дослідники більше не змушені запускати повну ядерну мережу в реальному часі. Ось так, концептуально простий, але неймовірно потужний підхід усуває головне «вузьке місце», яке робило довготривалі або високоточні симуляції r-процесу практично неможливими .

Як перевіряли надійність RHINE?

Коли алгоритми машинного навчання замінюють фундаментальні фізичні розрахунки, перевірка стає критично важливою. Розробники RHINE провели два класи суворих тестів, щоб переконатися, що нейромережа не підводить у реальних умовах :

• Стаціонарні вітрові розв'язки: RHINE протестували на сферично-симетричних, стаціонарних потоках речовини для широкого діапазону параметрів — електронної фракції, ентропії та швидкостей витоку, очікуваних у середовищі злиття. Прогнози мережі майже ідеально збіглися з результатами повної мережі.
• Повні 3D-симуляції злиття: Аби влаштувати серйозніше випробування, RHINE застосували в рамках повноцінної 3D-гідродинамічної симуляції злиття подвійної системи нейтронних зір. Отримані результати порівняли з детальним пост-обчисленням нуклеосинтезу, виконаним ретроспективно. Збіжність залишилася високою навіть у складних динамічних умовах, що підтвердило: замінник на основі машинного навчання не жертвує фізичною точністю .

Коментуючи продуктивність, дослідники зазначили, що цей метод здатен заощадити «колосальний обсяг обчислювального часу», зберігаючи при цьому точність, необхідну для астрофізичних інтерпретацій .

Чому це важливо для спостережень кілонових?

Енергія, що вивільняється під час r-процесу, безпосередньо впливає на швидкість, температуру та склад викинутої під час злиття речовини — а це саме ті чинники, які формують криву блиску кілонової, що її фіксують наші телескопи. Знаменита кілонова AT2017gfo, пов'язана з гравітаційно-хвильовою подією GW170817, уперше дала нам змогу детально роздивитися таке світіння, однак пов'язати цей сигнал із фізикою ядерних процесів було складним завданням. Тепер завдяки RHINE дослідники можуть самоузгоджено включати нагрів від r-процесу в 3D-симуляції, що робить набагато практичнішим створення теоретичних прогнозів, які можна безпосередньо порівнювати з реальними спостереженнями кілонових .

Місток до лабораторних експериментів у FAIR

RHINE також слугуватиме обчислювальним мостом між теорією та майбутніми ядерно-фізичними експериментами в центрі FAIR (Facility for Antiproton and Ion Research), що в Дармштадті. Ця установа досліджуватиме властивості екзотичних, багатих на нейтрони ядер, які зараз недосяжні для прямих вимірювань, однак критично впливають на перебіг r-процесу. Пришвидшуючи симуляції до темпу, порівнянного з аналізом даних, RHINE пропонує шлях до безпосереднього поєднання лабораторних вимірювань з астрофізичними спостереженнями, що вперше дозволить протестувати моделі утворення елементів на основі реальних ядерних даних .

Відкрита наука: де взяти код?

У дусі відкритої науки дослідницька команда зробила вихідний код RHINE загальнодоступним на платформі Zenodo — відкритому науковому репозитарії. Зацікавлені фахівці можуть завантажити або використовувати його за посиланням:

https://zenodo.org/records/15864447

Це означає, що інші групи моделювання зможуть впровадити RHINE у власні програмні коди для симуляцій злиття, посилюючи вплив цього інструменту в астрофізичній спільноті.