當AI走入中子星碰撞現場：RHINE如何改寫千新星研究規則

深度學習模型的運作原理

RHINE 使用「多層感知器」（multilayer perceptron）架構，並以數千組來自完整核反應網路的參考計算結果做為訓練資料。這些訓練資料記錄了富含中子的物質在合併過程中，其熱力學與組成的演變歷史。訓練完成後，該神經網路只須讀取四個在模擬中自然演算出的物理量——局部密度、溫度、電子豐度、平均質量數——便能預測八項驅動 r-process 的關鍵源項，包含核加熱率、電子豐度的變化速率，以及代表組成狀態的平均原子序與平均質量數 。

團隊將這些預測值回饋至流體力學模擬的每個位置和時間步，就無需在跑模擬的同時執行完整的核反應網路。這個「替代」的思考方式看似簡單，卻直接鬆開了過去長期、高解析度 r-process 模擬的計算瓶頸 。

RHINE 如何驗證？

任何以機器學習取代理論物理計算的嘗試，驗證都是關鍵環節。RHINE 團隊從兩類嚴格的測試來證明神經網路在真實情境下的可靠性 ：

• 穩態球對稱風解測試：團隊在一張涵蓋各種電子豐度、熵（entropy）和噴流速度的廣闊參數網格上，驗證 RHINE 在穩態風情境中的表現。網路預測值在這個參數空間內，都與全網路計算的結果非常接近。
• 完整 3D 雙中子星合併模擬：更嚴苛的考驗，是將 RHINE 直接套入一套完整的雙中子星合併 3D 流體力學模擬，再將預測結果和事後用全網路詳細重算的核合成產物做比對。即使在動態合併的複雜條件下，兩者仍維持高度一致，說明這個機器學習替代方案並未犧牲物理的忠實度 。

研究人員在談及表現時指出，此方法能「省下驚人的計算時間」，同時保有天文物理解釋所需的精確度 。

對千新星天文學的意義

r-process 所釋放的能量，會直接改變合併噴出物的速度、溫度與組成——這些都是望遠鏡觀測到的千新星光變曲線（light curve）背後的塑造因子。2017 年，伴隨重力波事件 GW170817 而生的千新星 AT2017gfo，首次讓人類細緻觀察到這類輻射。但如何把那個訊號與背後的核心核物理連起來，一直是項難題。RHINE 的出現，讓研究人員得以自洽地把 r-process 加熱納入 3D 模擬，大幅提升理論預測與實測千新星比對的可行性 。

連結 FAIR 的實驗室量測

RHINE 也將在理論和即將登場的核物理實驗之間，扮演計算橋樑的角色。位於德國達姆城（Darmstadt）的 FAIR 設施，將有能力探測那些至今仍難以在實驗室觸及的奇特富中子核，而它們的性質恰恰又是決定 r-process 結果的關鍵變數。透過把模擬加速到足以追上數據分析的節奏，RHINE 開闢了一條全新的道路：將天文觀測與實驗室量測直接連結，讓元素形成的理論模型首度能與真實的核物理數據對決 。

開放科學：程式碼已公開

本著開放科學的精神，研究團隊已將 RHINE 的原始碼公開在開放取用科學倉儲 Zenodo 上。有興趣使用或基於此方法進一步開發的研究者，可透過以下網址取得：

https://zenodo.org/records/15864447

開源釋出後，其他的模擬團隊也能將 RHINE 導入各自的合併模擬程式碼中，進一步擴大此框架在整個天文物理社群的影響力。