AI新模型RHINE走进中子星并合，千新星研究不再“跑断”超级计算机

来自德国GSI亥姆霍兹重离子研究中心及FAIR装置（反质子与离子研究装置）的一个国际研究团队，如今给出了一个极其实用的解决方案：RHINE。这项发表在国际顶级期刊《物理评论 D》上的新框架，借助深度学习神经网络来巧妙“仿真”快中子捕获过程及其能量释放，使得自洽的三维模拟在极短时间内变得可行 。

RHINE究竟是个什么“神器”？

RHINE是 R-process Heating Implementation in hydrodynamic simulations with NEural networks 的缩写。顾名思义，它是一个机器学习框架，其核心任务是在中子星并合的流体力学模拟过程中，实时预测快中子捕获过程产生的核加热率以及物质成分的变化。打个比方，传统方法好比在拍摄一部电影时对每一帧画面都进行极其复杂的光线追踪渲染，耗时巨大；而RHINE则相当于训练了一个极速的“智能渲染器”，看一眼场景参数，就能瞬间估算出近乎真实的光影效果，从而让电影的实时预览成为可能 。

深度学习模型如何“偷师”核物理

RHINE采用的是一种多层感知器的神经网络架构。这个网络在“上岗”前，先用数千组来自完整核反应网络的详细计算结果进行了严苛的“岗前培训”。这些训练数据描绘了在中子星并合条件下，富中子物质所经历的热力学与成分演化的完整历史轨迹 。

训练完成后，这个神经网络在工作时只需输入四个在模拟中自然演化的局部物理量：局域密度、局域温度、局域电子丰度 以及 局域平均质量数。基于这四个简单的输入，它就能瞬间预测出八个决定快中子捕获过程走向的关键源项——包括核加热率、电子丰度的变化率，以及物质成分的平均原子序数和平均质量数等 。

通过在每个位置和时间步将这些预测结果直接注入流体力学模拟，研究者再也无需实时运行那套庞大的完整核反应网络。这一看似简洁的“偷梁换柱”之法，巧妙地解决了以往让长时间、高分辨率快中子捕获过程模拟举步维艰的核心瓶颈 。

严谨至极的“双重验证”

当机器学习模型试图替代基础物理计算时，验证其可靠性与物理保真度是至关重要的。RHINE团队为此设计了两类严苛的考题 ：

• 第一关：球对称稳态星风测试。 团队让RHINE去计算一系列覆盖广泛参数范围（包括电子丰度、熵和喷出物流速，这都是并合环境下的典型参数）的球对称稳态星风。结果显示，在整个参数空间内，神经网络的预测与完整核反应网络的结果高度吻合。
• 第二关：完整的三维并合模拟。 这是更严峻的考验。研究者将RHINE直接置入一个完整的双中子星并合三维流体力学模拟中，然后将神经网络的实时预测，与事后用完整核反应网络对喷出物轨迹进行详细“再分析”所得的核合成结果进行比对。即便在动态并合的全部复杂性条件下，两者依然保持了高度一致，证明了这个机器学习“替代品”并未牺牲物理学的精确性 。

在谈及模型性能时，研究人员评价道，该方法可在保持天体物理解释所需精确度的同时，“节省海量的计算时间” 。

这对千新星天文学意味着什么

快中子捕获过程所释放的能量，会直接影响并合喷出物的速度、温度和组成——这三大要素共同塑造着我们通过望远镜观测到的千新星光变曲线。与2017年引力波事件GW170817相关的著名千新星AT2017gfo，首次让天文学家一睹这类辐射的细节，但如何将该信号回溯至其背后的核物理过程，一直是个不小的挑战。如今，RHINE的出现使研究者能够在三维模拟中自洽地纳入快中子捕获过程产生的加热效应，这极大地提升了我们生成可用于直接对比真实千新星观测的理论预言的效率 。

连接天空与实验室的桥梁

RHINE还将在理论与即将到来的核物理实验之间架起一座计算科学的桥梁。位于德国达姆施塔特的FAIR大科学装置，其核心使命之一就是探究那些目前在实验中尚难触及，但对快中子捕获过程结果影响甚巨的奇特富中子原子核的性质。RHINE凭借其惊人的模拟加速能力，可以使模拟速度追上数据分析的速度，为直接连接FAIR的实验室测量结果与天文观测提供一条通途——这将是人类首次有机会用真实的实验核数据，去检验宇宙的“元素生成模型” 。

开放科学：源代码触手可及

秉持开放科学的精神，研究团队已将RHINE的源代码公开发布在开放获取科学数据存储库Zenodo上。全球任何对此方法感兴趣或希望在其基础上进一步开发的研究小组，均可通过以下链接自由获取：

https://zenodo.org/records/15864447

这意味着，其他模拟团队可以直接将RHINE应用到他们自有的并合模拟代码中，将该框架的影响力扩展至更广袤的天体物理学社区。