Изображение, демонстрирующее слияние нейтронных звезд в представлении художника, принадлежит Дане Берри, SkyWorks Digital, Inc., и иллюстрирует одно из самых грандиозных и энергоемких явлений в космосе.
Международная группа ученых, работающая в коллаборации GSI/FAIR, представила инновационную модель искусственного интеллекта, способную кардинально ускорить и углубить понимание процессов, в ходе которых Вселенная создает многие из своих наиболее распространенных элементов. Эта система машинного обучения, детали функционирования которой были обнародованы на страницах авторитетного издания Физический осмотр D, позволяет моделировать сложнейшие ядерные реакции, неизбежно возникающие при слияниях нейтронных звезд и других катастрофических звездных событиях, с беспрецедентной скоростью.
Многие химические элементы, присутствующие в окружающем нас мире, формируются в условиях экстремальных космических катаклизмов — взрывов сверхновых и столкновений нейтронных звезд. Именно колоссальная энергия, высвобождаемая при таких взрывах, запускает механизм, известный как быстрый нейтронный захват, или r-процесс. В ходе этого процесса атомные ядра стремительно поглощают свободные нейтроны; часть этих нейтронов впоследствии трансформируется в протоны, что приводит к росту новых ядер и, в конечном счете, к образованию множества тяжелых элементов, встречающихся в природе.
Глубокое обучение как ключ к сложным ядерным вычислениям
Моделирование r-процесса традиционно считается одной из наиболее трудоемких задач в ядерной астрофизике, поскольку подобные расчеты требуют колоссальных вычислительных ресурсов. Как отметил доктор Оливер Джаст, первый автор исследования и сотрудник отдела «Ядерная астрофизика и Структура» GSI/FAIR, исследователи по всему миру стремятся сделать эту сложную структуру понятной посредством теоретического моделирования. Однако необходимость просчитывать все параметры требует невероятных вычислительных мощностей, что вынуждает ученых часто прибегать к упрощениям. Новая модель RHINE (что расшифровывается как r-процесс производства нагрева в гидродинамическом моделировании с нейронными сетями), использующая искусственный интеллект, предлагает принципиально иной подход.
Разработанная система базируется на методах машинного обучения, а именно на нейронной сети глубокого обучения. Ее задача — оценивать количество энергии, выделяющейся в ходе ядерных реакций в рамках r-процесса во время гидродинамического моделирования. Это выделение энергии, именуемое нагревом, играет определяющую роль в том, как вещество выбрасывается в пространство при звездных взрывах. Оно способно влиять как на скорость разлетающегося материала, так и на характеристики света, возникающего после события. В частности, при слиянии нейтронных звезд именно этот нагрев порождает яркое свечение, известное как килоновая.
звезда.
Вместо выполнения этого расчета финансирования во время этого моделирования ИИ сначала обучается с использованием обширной библиотеки справочных расчетов, включающей полные сети ядерных зарядов. После обучения он сможет точно оценить скорость нагрева, затратив лишь часть вычислительных темпов.
"Сначала модели машинного обучения обучаются с использованием большого количества эталонных расчетов, произведенных с использованием полного набора ядерных вычислений. Следующие модели использовались при гидродинамическом моделировании для аппроксимации скоростей нагревателя во время r -процесса с значительными усилиями», объяснил д-р Цевэй Сюн, также учёный из отдела GSI/FAIR «Ядерная астрофизика и усилители; Структура" отдела и ключевой разработчик моделей машинного обучения.
«С помощью детальных сравнений мы проверили нашу схему машинного обучения на соответствие справочным данным. Высокая степень соглашения предполагает, что использование моделей машинного обучения может сэкономить огромное количество вычислительного времени. На основе наших результатов также пришли к выводу, что r -нагрев процесса является важным эффектом, который следует лучше учитывать в будущем моделировании».
Связь будущих экспериментов с космическими наблюдениями
Исследователи полагают, что в будущем RHINE сможет обеспечить гораздо более детальное моделирование, значительно сокращающееся при наличии необходимых вычислительных ресурсов. Эти улучшенные модели могут в конечном итоге помочь связать эксперименты в предшествующем исследовательском центре FAIR с наблюдениями звездных взрывов и слияний нейтронных звезд, проводимых астрономами.
Исходный код RHINE стал общедоступным, чтобы другие исследователи могли использовать эту работу. Проект финансировался среди других организаций, входящих в исследовательский совет (ERC).