EVERYTHING
За даними Sciencedaily, міжнародна команда вчених з GSI/FAIR створила систему на основі машинного навчання, яка значно оптимізує моделювання ядерних реакцій у надвисокоенергетичних умовах. Результати дослідження були опубліковані у виданні Physical Review D.
Механізми формування важких елементів
Багато хімічних елементів, що оточують нас, виникають під час екстремальних космічних подій, таких як вибухи наднову або злиття нейтронних зірок. Під час цих процесів відбувається так званий r-процес — швидке захоплення вільних нейтронів атомними ядрами. Частина нейтронів перетворюється на протони, що дозволяє ядрам збільшуватися в розмірах і формувати важкі елементи. Моделювання таких реакцій є одним із найскладніших завдань у ядерній астрофізиці через потребу у колосальних обчислювальних потужностях.
Використання нейронних мереж для оптимізації розрахунків
Нова система під назвою RHINE (r-process heating implementation in hydrodynamic simulations with neural networks) використовує архітектуру глибокого навчання для оцінки кількості енергії, що виділяється під час ядерних реакцій у r-процесі. Цей процес виділення енергії визначає те, як саме матерія викидається під час зіркових вибухів, впливаючи на швидкість викиду та світловий сигнал — кілонову.
Замість того, щоб виконувати кожен ядерний розрахунок у кожному циклі симуляції, модель RHINE проходить етап попереднього навчання. Її тренують на великій бібліотеці референтних обчислень, що включають повні мережі ядерних реакцій. Після цього AI здатний точно оцінювати темпи нагрівання лише за частку від початкових витрат ресурсів.
«Спочатку моделі машинного навчання навчаються на великій кількості референтних обчислень, отриманих із повного набору ядерних реакцій. Потім моделі впроваджуються в робочі гідродинамічні симуляції для приблизного визначення темпів нагрівання під час r-процесу з мінімальними зусиллями», — пояснив Dr. Zewei Xiong, ключовий розробник моделей у департаменті Nuclear Astrophysics & Structure в GSI/FAIR.
Високий ступінь відповідності результатів моделі RHINE референтним даним підтверджує можливість значної економії часу обчислень. Дослідники також виявили, що нагрівання в r-процесі є критичним ефектом, який необхідно враховувати у майбутніх моделях для точнішого розуміння космосу.