Los investigadores han desarrollado una nueva simulación impulsada por inteligencia artificial que podría mejorar significativamente nuestra comprensión de cómo el universo forma muchos de sus elementos pesados. Desarrollado por un equipo internacional de GSI/FAIR, el modelo de aprendizaje automático permite a los científicos simular las complejas reacciones nucleares que ocurren durante las fusiones de estrellas de neutrones y otros eventos estelares violentos de manera más eficiente que nunca. Sus hallazgos se publican en la revista. examen físico d.
La IA mejora la simulación de la formación de material pesado
Muchos elementos químicos que se encuentran en todo el universo se forman durante eventos cósmicos extremos, incluidas explosiones de supernovas y fusiones de estrellas de neutrones. Estas explosiones masivas generan rápidamente la energía necesaria para crear núcleos atómicos pesados mediante un proceso conocido como captura de neutrones. r– Proceso.
el tiempo r-proceso, el núcleo atómico absorbe rápidamente neutrones libres. Algunos de estos neutrones luego se convierten en protones, lo que permite que el núcleo crezca y eventualmente forme muchos de los elementos más pesados que se encuentran en la naturaleza.
Simular estas reacciones es uno de los mayores desafíos de la astrofísica nuclear porque los cálculos requieren mucha potencia informática.
“Los investigadores de todo el mundo intentan dar sentido a estas reacciones complejas mediante simulaciones teóricas. Sin embargo, modelar todos los parámetros requiere una potencia de cálculo increíble, por lo que los modelos a menudo tienen que simplificarse”, dijo el Dr. Oliver Just, primer autor del estudio e investigador del “Departamento de Astrofísica Nuclear y GSIFA/Estructura”. “Nuestro nuevo modelo RHINE, que utiliza inteligencia artificial, ofrece una alternativa eficaz”.
El aprendizaje profundo acelera los cálculos atómicos complejos
El nuevo sistema, llamado RIN (r-Las implementaciones de calentamiento de procesos en simulaciones hidrodinámicas con redes neuronales se basan en el aprendizaje automático (ML), específicamente una red neuronal de aprendizaje profundo, para estimar cuánta energía se libera durante una reacción nuclear. rproceso durante la simulación hidrodinámica.
Esta liberación de energía, a menudo llamada calentamiento, juega un papel importante a la hora de determinar cómo se expulsa la materia durante las explosiones estelares. Esto puede afectar tanto a la velocidad del material emisor como a la luz producida posteriormente. En las fusiones de estrellas de neutrones, ese brillo brillante se observa como una kilonova.
En lugar de realizar todos los cálculos atómicos durante cada simulación, la IA se entrena primero utilizando una extensa biblioteca de cálculos de referencia que incluye toda la red de reacciones atómicas. Una vez entrenado, puede estimar con precisión las tasas de calentamiento con solo una fracción del esfuerzo computacional.
“Primero, los modelos ML se entrenan utilizando una gran cantidad de cálculos de referencia producidos con el conjunto completo de reacciones atómicas. Posteriormente, los modelos se adaptan para ejecutar simulaciones hidrodinámicas. r-proceso con un mínimo esfuerzo”, explicó el Dr. Xuewei Xiong, científico de la división de “Astrofísica y Estructuras Nucleares” de GSI/FAIR y desarrollador clave de modelos de aprendizaje automático.
“Con comparaciones detalladas, validamos nuestro esquema ML con datos de referencia. El alto grado de acuerdo sugiere que el uso de modelos ML puede ahorrar una gran cantidad de tiempo de computación. También inferimos de los resultados que r“El calentamiento del proceso es un efecto importante que debería considerarse mejor en futuros modelos”.
Vincular experimentos futuros con observaciones cósmicas
Los investigadores dicen que RHINE podría permitir simulaciones más detalladas en el futuro y al mismo tiempo reducir drásticamente los recursos informáticos necesarios. Estos modelos avanzados podrían eventualmente ayudar a vincular los experimentos con las observaciones de explosiones estelares y fusiones de estrellas de neutrones realizadas por astrónomos en las próximas instalaciones de investigación FAIR.
Código fuente RHINE generado disponible públicamente Para que otros investigadores puedan aprovechar el trabajo. El proyecto fue cofinanciado por el Consejo Europeo de Investigación (ERC), entre otras agencias.
