Изследователи разработиха нова симулация, базирана на изкуствен интелект, която може значително да подобри разбирането ни за това как се образуват най-тежките елементи във Вселената. Моделът за машинно обучение, създаден от международен екип от GSI/FAIR, позволява на учените да моделират сложни ядрени реакции, протичащи по време на сблъсъци на неутронни звезди и други бурни звездни събития, много по-ефективно, отколкото преди.
Много от химичните елементи, срещащи се във Вселената се образуват в хода на екстремни космически събития, включително взривове на свръхнови и сливания на неутронни звезди. Тези огромни взривове генерират енергията, необходима за получаването на тежки атомни ядра в процес, известен като бързо улавяне на неутрони, или r-процес.По време на r-процеса атомните ядра бързо поглъщат свободни неутрони. Някои от тези неутрони след това се превръщат в протони, което позволява на ядрата да нарастват и в крайна сметка да образуват много от тежките елементи, срещащи се в природата.
Моделирането на тези реакции е един от най-големите проблеми в ядрената астрофизика, тъй като изчисленията изискват огромна изчислителна мощност.
Новата AI система, разработена от учените, наречена RHINE (r-process heating implementation in hydrodynamic simulations with neural networks) разчита на машинно обучение (ML), по-конкретно на невронна мрежа за дълбоко обучение, за да оцени колко енергия се отделя по време на ядрените реакции в r-процеса, докато се извършват хидродинамичните симулации. Това отделяне на енергия, често наричано „нагряване“ играе важна роля при определянето на начина, по който веществото се изхвърля по време на звездни експлозии. То може да повлияе както на скоростта на изхвърления материал, така и на светлината, която се излъчва след това. При сливането на неутронни звезди това ярко сияние се наблюдава като килонова.
Принцип на работа на RHINE
Вместо да извършва всяко ядрено изчисление по време на всяка симулация, изкуственият интелект първо се обучава, като използва обширна библиотека от еталонни изчисления, включващи пълни вериги от ядрени реакции. След обучението той може точно да оцени скоростта на нагряване, като изразходва само малка част от изчислителните ресурси.
Изследователите твърдят, че RHINE може да позволи провеждането на много по-подробни симулации в бъдеще, като същевременно значително намали необходимите изчислителни ресурси. Тези подобрени модели в крайна сметка могат да помогнат за свързването на експериментите в изграждащия се изследователски комплекс FAIR с наблюденията на звездни експлозии и сливания на неутронни звезди, направени от астрономите. Изходният код на RHINE e общoдостъпен, за да могат други изследователи да продължат работата.