Золото в каблучці, уран у паливі для реакторів і багато інших найважчих елементів Всесвіту народжуються не в лабораторіях, а в катастрофічних космічних вибухах. Тепер штучний інтелект допоміг зазирнути всередину цих подій: нова модель RHINE показує, як саме під час зіткнень нейтронних зірок «кується» космічне золото. Про це розповідає матеріал SciTechDaily.
Що відомо коротко
- Важкі елементи, зокрема золото та уран, утворюються в екстремальних подіях — вибухах наднових і злиттях нейтронних зірок.
- У цих умовах працює r-процес — швидке захоплення нейтронів ядрами, що створює елементи важчі за залізо.
- Детальне моделювання таких процесів потребує
, тому раніше моделі сильно спрощували. - Команда GSI/FAIR створила модель RHINE, яка за допомогою глибинної нейромережі відтворює енерговиділення під час r-процесу в гідродинамічних симуляціях.
- RHINE показала, що нагрівання від ядерних реакцій суттєво впливає на рух викинутого матеріалу та світіння таких подій, як кілонови.
Як космос «кує» важкі елементи
Уявімо собі зорю як гігантську піч, де з легких атомів поступово «випікаються» важчі. Але є межа: звичайні зорі не можуть ефективно створювати елементи важчі за залізо — для цього потрібні ще більш екстремальні умови.
Такі умови виникають у вибухах наднових і особливо під час злиття нейтронних зірок — надщільних залишків загиблих зір. Там вивільняються колосальні енергії та з’являються хмари вільних нейтронів. У цих хмарах запускається r-процес (rapid neutron capture): ядра атомів дуже швидко «набирають» нейтрони, які згодом перетворюються на протони. Так крок за кроком будуються все важчі й важчі елементи — аж до золота, платини й урану.
Проблема в тому, що змоделювати всі ці реакції одразу — все одно що намагатися прорахувати траєкторію кожної іскри у величезному феєрверку. Фізики знають основні закони, але повна картина потребує неймовірної кількості обчислень.
Що робить RHINE і чому тут потрібен ШІ
Щоб обійти цю обчислювальну «стіну», дослідники з GSI/FAIR створили модель RHINE (r-process heating implementation in hydrodynamic simulations with neural networks). Її ідея схожа на те, як ми вчимося розпізнавати обличчя: спочатку бачимо тисячі прикладів, а потім миттєво впізнаємо знайому людину в натовпі.
Спершу вчені виконують велику кількість детальних розрахунків нуклеосинтезу, де враховуються тисячі ізотопів і повний набір ядерних реакцій. Ці «еталонні» результати використовують як навчальні дані для глибинної нейромережі. Вона вчиться за станом речовини (температура, склад, густина тощо) передбачати, скільки енергії виділяється під час r-процесу.
Після навчання нейромережу вбудовують у гідродинамічні симуляції вибухів і злиттів зір. Тепер, замість того щоб щоразу запускати надскладні ядерні розрахунки, модель просто «запитує» ШІ: скільки енергії буде виділено в цій точці й у цей момент? Це дозволяє набагато швидше прораховувати еволюцію вибуху.
За словами доктора Олівера Юста (Oliver Just), першого автора роботи, традиційні моделі доводилося спрощувати саме через обмеження обчислювальної потужності. RHINE, що використовує штучний інтелект, пропонує ефективну альтернативу, зберігаючи фізичну точність, але різко зменшуючи витрати часу.
Як ШІ змінює симуляції космічних катастроф
Ключовий параметр, який відтворює RHINE, — це нагрівання, тобто енергія, що вивільняється внаслідок ядерних реакцій під час r-процесу. Це нагрівання впливає на те, як швидко й у якому напрямку розлітається речовина, викинута під час вибуху, а також на те, як саме така подія світиться в різних діапазонах випромінювання.
Наприклад, після злиття нейтронних зірок астрономи спостерігають кілонови — яскраві спалахи, які поступово тьмяніють. Відоме зіткнення 17 серпня 2017 року в галактиці NGC 4993, зафіксоване гравітаційними хвилями та телескопом «Габбл», стало першим таким випадком, коли вдалося побачити і «струс» простору-часу, і світловий спалах.
Щоб правильно інтерпретувати подібні спостереження, потрібно розуміти, як саме нагрівання від r-процесу змінює рух і температуру викинутого матеріалу. RHINE якраз і дозволяє включити цей ефект у моделі без колосальних обчислювальних витрат.
Доктор Цзевей Сюн (Zewei Xiong), який відіграв центральну роль у створенні моделей машинного навчання, пояснює: спочатку ML-моделі тренують на великій кількості референсних розрахунків, а потім використовують у гідродинамічних симуляціях для швидкого наближеного обчислення швидкостей нагрівання під час r-процесу.
Команда порівняла результати RHINE з детальними еталонними даними й виявила високу збіжність. Це свідчить, що використання ML-моделей може заощадити величезну кількість обчислювального часу, не втрачаючи точності, потрібної астрофізикам.
Навіщо це потрібно астрономам і фізикам
Автори роботи підкреслюють: результати показують, що нагрівання від r-процесу — важливий ефект, який слід точніше враховувати в майбутніх моделях. Без нього картина вибуху й утворення елементів буде неповною.
RHINE може стати містком між лабораторними експериментами на майбутній установці FAIR та астрономічними спостереженнями вибухів зір і злиттів нейтронних зірок. Краще моделювання означає точніше тлумачення того, що бачать телескопи, і глибше розуміння того, як у Всесвіті з’явилися важкі елементи, з яких складаються планети — і ми з вами.
Важливо й те, що вихідний код RHINE відкритий для використання. Це дає змогу іншим науковим групам перевіряти, розвивати й застосовувати модель у власних дослідженнях, прискорюючи прогрес у ядерній астрофізиці.
FAQ
Це вже остаточна відповідь на питання про походження важких елементів?
Ні, це не «крапка», а великий крок уперед. RHINE не змінює базову картину походження важких елементів, а дозволяє значно точніше моделювати процеси в екстремальних космічних подіях. Модель допомагає перевіряти гіпотези й краще узгоджувати теорію зі спостереженнями.
Чому без штучного інтелекту ці симуляції такі складні?
Тому що потрібно одночасно врахувати тисячі ядерних реакцій і динаміку гарячої, надщільної речовини, що рухається з великими швидкостями. Пряме поєднання повних нуклеосинтетичних розрахунків із гідродинамікою вимагає колосальних обчислювальних ресурсів. ШІ дозволяє замінити найважчу частину розрахунків швидким наближеним прогнозом.
Чи можна застосувати підхід RHINE в інших галузях астрофізики?
Принцип — так: там, де є дуже складні фізичні процеси, які важко прямо включити в симуляції, можна навчити нейромережу на детальних розрахунках і потім використовувати її як «прискорювач». У статті йдеться саме про r-процес, але підхід машинного навчання потенційно придатний і для інших задач.
Чи вплине це на наше повсякденне життя?
Безпосередньо — навряд. Але краще розуміння походження важких елементів поглиблює наше уявлення про історію Всесвіту й місце людини в ньому. До того ж розвиток таких моделей стимулює прогрес у методах штучного інтелекту й обчислювальній фізиці, які згодом можуть знайти застосування в інших сферах.
🤯 Те, що колись було недосяжною «чорною скринькою» космічних катастроф, тепер поступово відкривається завдяки штучному інтелекту — і виявляється, що блиск золота на нашій руці починається в хаосі злиття нейтронних зірок, який ми тільки вчимося точно описувати мовою рівнянь і нейромереж.