EVERYTHING
Як повідомляє Eurekalert, міжнародна команда дослідників з GSI/FAIR досягла значного прогресу у моделюванні ядерних процесів за допомогою штучного інтелекту. Багато хімічних елементів, які існують у Всесвіті, формуються під час масивних зіркових подій або катастрофічних зіткнень нейтронних зірок. Ці події виділяють величезну кількість енергії, що необхідна для виробництва важких нуклідів.
Роль r-процесу у космічній хімії
Одним із ключових ядерних процесів є так званий r-процес (rapid neutron-capture process). У цьому процесі вільні нейтрони захоплюються існуючими ядрами, перетворюючись на протони та створюючи більші, важчі атомні ядра. Дослідник Oliver Just, перший автор публікації, зазначив, що традиційне моделювання цих складних реакцій вимагає неймовірної обчислювальної потужності, тому часто змушувалося спрощувати параметри.
Для подолання цього обмеження була створена нова модель RHINE (r-process heating implementation in hydrodynamic simulations with neural networks). Ця система використовує машинне навчання — зокрема нейронну мережу глибокого навчання — для опису вивільнення енергії від ядерних реакцій у гідродинамічних симуляціях подій.
Методологія та переваги ML-моделей
Згідно з поясненнями Zewei Xiong, дослідника GSI/FAIR, процес роботи моделі RHINE складається з двох етапів. Спочатку ML-моделі навчають на великій кількості референтних розрахунків, виконаних із повним набором ядерних реакцій. Потім ці навчені моделі інтегрують у запущені гідродинамічні симуляції для апроксимації швидкостей нагріву під час r-процесу з мінімальними зусиллями.
Цей «нагрів» має критичний вплив на динаміку та розподіл швидкості матеріалу, викинутого в результаті вибуху. Це, своєю чергою, впливає на електромагнітне випромінювання, яке у випадку зіткнень нейтронних зірок спостерігається як кілонова. Дослідники підтвердили високу збіжність ML-схеми із референтними даними, що свідчить про те, що використання моделей машинного навчання може заощадити величезну кількість обчислювального часу.
- Модель RHINE дозволяє більш точно враховувати ефект нагріву r-процесу.
- Це забезпечує прямий зв'язок між результатами експериментів у майбутньому комплексі FAIR та спостереженнями зіркових вибухів.
- Код моделі RHINE є публічно доступним для використання спільнотою дослідників.
Таким чином, впровадження штучного інтелекту у фундаментальну астрофізику відкриває нові горизонти для детального аналізу космічних подій.