Международная команда представила нейросетевую модель RHINE, которая позволяет существенно точнее и быстрее рассчитывать энерговыделение в процессе образования тяжёлых элементов в экстремальных астрофизических событиях
Исследователи из Центра тяжёлых ионов имени Гельмгольца (GSI) и проекта FAIR (Facility for Antiproton and Ion Research) в Германии разработали новый подход к моделированию r-процесса — одного из ключевых механизмов синтеза тяжёлых химических элементов во Вселенной. Работа опубликована в журнале Physical Review D.
R-процесс (rapid neutron-capture process, «быстрый захват нейтронов») происходит в экстремальных условиях, например при взрывах сверхновых или слиянии нейтронных звёзд. В этих событиях вещество подвергается настолько высоким потокам нейтронов, что атомные ядра быстро захватывают свободные нейтроны, превращая их в протоны и последовательно «наращивая» более тяжёлые элементы — вплоть до самых массивных в периодической таблице.
Ключевая проблема таких моделей заключается в том, что корректное описание всех ядерных реакций требует огромных вычислительных ресурсов. Из-за этого симуляции часто упрощают, теряя часть физической точности.
Решение нашлось в модели RHINE (r-process heating implementation in hydrodynamic simulations with neural networks), в которой используется глубокое обучение — нейросетевой подход машинного обучения. Она предназначена для расчёта энерговыделения (нагрева) в ходе r-процесса внутри гидродинамических симуляций астрофизических взрывов.
Источник: NASA, ESA. A.J. Levan (U. Warwick), N.R. Tanvir (U. Leicester), A. Fruchter and O. Fox (STScI)
Этот нагрев напрямую влияет на динамику выброшенного вещества: его скорость, распределение масс и, как следствие, на электромагнитное излучение, которое наблюдается при слияниях нейтронных звёзд в виде килоновых — кратковременных вспышек, сопровождающих образование тяжёлых элементов.
Как пояснил ведущий автор работы Оливер Юст (Oliver Just), традиционные модели вынуждены упрощать множество параметров из-за ограничений вычислительной мощности, тогда как RHINE позволяет обойти эту проблему за счёт нейросетевого приближения. Сначала модель обучается на детальных расчётах с полным набором ядерных реакций, а затем используется в гидродинамических симуляциях для быстрого и достаточно точного воспроизведения тепловыделения.
Соавтор работы Цевэй Сюн (Zewei Xiong) отметил, что сравнение с эталонными вычислениями показало высокую степень совпадения результатов. Это означает, что машинное обучение может существенно снизить стоимость вычислений без заметной потери точности. Кроме того, исследование указывает на то, что вклад нагрева в r-процессе ранее мог недооцениваться и должен быть учтён более строго в будущих моделях.
Авторы считают, что использование RHINE позволит строить более детальные и физически согласованные симуляции, связывающие лабораторные эксперименты на будущей установке FAIR с реальными астрономическими наблюдениями слияний нейтронных звёзд и взрывов в далёкой Вселенной.