研究人员开发了一种基于人工智能的模拟，大大加快了对中子星合并如何产生宇宙中许多最重元素的建模速度。这一新工具有望改进对这些剧烈爆炸的预测，同时帮助科学家更好地将太空观测与地球上的实验联系起来。
人工智能改进重元素形成的模拟
宇宙中发现的许多化学元素都是在极端宇宙事件中锻造而成的，包括超新星爆发和中子星并合。这些巨大的爆发通过一种称为快中子俘获或 r-过程的过程，产生了生成重原子核所需的能量。
在 r-过程中，原子核迅速吸收自由中子。其中一些中子随后转化为质子，使原子核变大，并最终形成自然界中发现的许多重元素。
模拟这些反应是核天体物理学面临的最大挑战之一，因为计算需要巨大的算力。
该研究的第一作者、GSI/FAIR“核天体物理与结构”部门的研究员 Oliver Just 博士表示：“世界各地的研究人员都在努力通过理论模拟来理解这些复杂的反应。然而，对所有参数进行建模需要惊人的算力，这就是为什么模型往往不得不被简化的原因。我们使用人工智能的新模型 RHINE 提供了一种高效的替代方案。”
深度学习加速复杂的核计算
这个名为 RHINE（基于神经网络的流体力学模拟中 r-过程加热实现）的新系统依赖于机器学习（ML），特别是深度学习神经网络，用于在流体力学模拟运行期间估算 r-过程中核反应释放的能量。
这种能量释放通常被称为加热，在决定恒星爆发期间物质如何被抛射方面起着重要作用。它可以影响抛射物质的速度以及随后产生的光。在中子星并合中，这种耀眼的光芒被观测为千新星。
AI 并非在每次模拟中进行每一项核计算，而是首先使用包含完整核反应网络的大量参考计算库进行训练。一旦经过训练，它只需花费一小部分计算量就能准确估算加热率。
同样来自 GSI/FAIR“核天体物理与结构”部门的科学家兼机器学习模型关键开发者熊泽伟（Zewei Xiong）博士解释道：“首先，利用全套核反应产生的大量参考计算来训练机器学习模型。随后，这些模型被应用于正在运行的流体力学模拟中，以极小的代价近似计算 r-过程中的加热率。”
“通过详细的比较，我们针对参考数据验证了我们的机器学习方案。高度的一致性表明，使用机器学习模型可以节省大量的计算时间。我们还可以从结果中推断出，r-过程加热是一个重要的效应，在未来的建模中应该得到更好的考量。”
将未来实验与宇宙观测联系起来
研究人员表示，RHINE 可能在未来实现更详细的模拟，同时大幅减少所需的计算资源。这些改进后的模型最终可能有助于将即将建成的 FAIR 研究设施的实验与天文学家对恒星爆发和中子星并合的观测联系起来。
RHINE 的源代码已公开发布，以便其他研究人员在此基础上开展工作。该项目由欧洲研究理事会（ERC）等机构共同资助。