Как взрывы нейтронных звезд создают золото и платину?
Каждую секунду во Вселенной происходят взрывы, способные синтезировать золото и планету из ничего. Но самое тяжелое рождается не в недрах обычных звезд, а в аду столкновения нейтронных звезд. До недавнего времени смоделировать этот процесс с достаточной точностью было практически невозможно: расчеты требовали суперкомпьютерных мощностей на недели. Теперь международная команда ученых из GSI/FAIR представила AI-модель RHINE, которая сокращает это время до минут. Исследование опубликовано в журнале Physical Review D, а краткий обзор на ScienceDaily раскрывает главное: нейросеть учится на полных ядерных сетях, а затем предсказывает энерговыделение практически мгновенно.
Почему r-процесс требует целого суперкомпьютера
Большинство привычных нам элементов легче железа рождаются в термоядерных реакциях обычных звезд. Но уран, торий, золото и платина образуются в гораздо более экстремальных условиях. Речь идет о быстром захвате нейтронов — так называемом r-процессе. Атомные ядра буквально набиваются свободными нейтронами, часть этих нейтронов превращается в протоны, и ядро становится всё тяжелее. Весь процесс длится доли секунды, но внутри него — сотни и тысячи взаимосвязанных ядерных реакций.
Каждая такая реакция рассчитывается отдельно. Астрофизики используют полные сети реакций, включающие тысячи изотопов. Чем больше ядро, тем сложнее уравнения. В результате одна симуляция слияния двух нейтронных звезд может занимать недели даже на мощных кластерах. Вычислительная цена делает практически невозможным просчет сотен разных сценариев столкновений — а ведь именно сценариев, а не одного варианта, требует современная астрофизика.
RHINE: нейросеть, которая обучилась на эталонах
Модель, разработанная доктором Оливером Джастом и его коллегами из отдела ядерной астрофизики GSI/FAIR, полностью меняет подход. Вместо того чтобы считать каждую реакцию «на лету», ученые создали глубокую нейронную сеть, названную RHINE (r-process heating implementation in hydrodynamic simulations with neural networks). Сначала сеть тренируют на большом наборе эталонных расчетов — тех самых полных сетей, которые дают идеальную точность, но требуют огромных ресурсов. Затем, после обучения, RHINE способна по нескольким входным параметрам (плотность, температура, состав вещества) за микросекунды выдать скорость энерговыделения.
«Наша новая модель RHINE, использующая искусственный интеллект, предлагает эффективную альтернативу, — пояснил доктор Джаст. — Моделирование всех параметров требует невероятной вычислительной мощности, поэтому модели часто приходится упрощать. RHINE позволяет этого избежать».
Ключевая деталь: AI-модель не просто угадывает числа. Разработчики провели детальное сравнение ее предсказаний с эталонными данными. Степень совпадения оказалась очень высокой, что, по словам доктора Цзевэя Сюна, одного из создателей нейросети, доказывает: использование ML-моделей может экономить огромное количество расчетного времени, не жертвуя точностью.
Килоновы и свет, который мы видим
Зачем астрофизикам столь точные симуляции? Ответ — в килоновах. Когда нейтронные звезды сталкиваются, выброшенное вещество разогревается до миллиардов градусов и начинает светиться. Этот свет несет отпечаток всех ядерных реакций, произошедших в выбросе. По кривой блеска и спектру килоновы ученые могут определить, какие именно тяжелые элементы образовались. Но чтобы расшифровать наблюдения, нужны точные модели того, как вещество разогревается и расширяется.
RHINE как раз позволяет рассчитывать разогрев (heating) от r-процесса в режиме реального времени, прямо внутри гидродинамической симуляции. Это особенно важно: скорость выброса, его форма и итоговая светимость сильно зависят от того, сколько энергии выделяют распадающиеся ядра. Без точных данных нагрева модель килоновы остается неполной.
Открытый код и будущие эксперименты
Разработчики сделали исходный код RHINE общедоступным на Zenodo — так любой исследователь может скачать, проверить и доработать модель. Это не просто жест доброй воли, а необходимость: проект софинансировал Европейский исследовательский совет (ERC), и открытость данных — одно из условий гранта. Но есть и практический смысл. В ближайшие годы вступит в строй ускорительный комплекс FAIR в Дармштадте, где будут экспериментально измерять скорости реакций, недоступные сегодня. RHINE, обученная на этих новых данных, поможет «сшить» лабораторные измерения с реальными наблюдениями телескопов.
Теперь астрофизики смогут перебирать десятки разных сценариев слияний, варьируя массы звезд, их вращение и магнитные поля. Вместо одной симуляции — сотня. И каждая будет учитывать полноценный r-процесс, а не упрощенную схему.
Что еще скрывают недра нейтронных звезд? Может ли AI обнаружить редкие изотопы, которые никогда не наблюдались на Земле, но существуют в выбросах килонов? Пока RHINE отвечает на один вопрос — о нагреве. Но метод готов к расширению. И если сегодня мы наконец поняли, откуда берется золото в кольце, то завтра, возможно, узнаем, как рождаются самые экзотические, почти невесомые элементы, которые живут лишь доли секунды, но определяют судьбу всей Вселенной.
