##

中子星合并的艺术家印象图。图片来源：DanaBerry，SkyWorksDigital公司。

一个由机器学习驱动的模拟为研究人员提供了一扇新窗口，让他们得以了解宇宙中一些最重元素的形成过程。

珠宝中的黄金、核燃料中的铀以及宇宙中许多最重的元素来自哪里？科学家认为它们是在宇宙中一些最剧烈的事件中形成的，但详细模拟这些过程仍然是一个重大的计算挑战。

GSIFAIR的研究人员及其国际合作者开发了一种基于机器学习的模型，该模型能更深入地揭示元素在中子星合并等极端事件中如何形成。该团队首次将深度学习神经网络纳入流体动力学模拟，以模拟r过程核合成期间释放的能量。他们的研究成果发表在《PhysicalReviewD》上。

许多化学元素是在强大的天体物理事件中形成的，包括超新星爆发和中子星合并。这些环境会产生大量能量和自由中子，从而促成快速中子俘获过程（或称r过程），该过程负责产生许多比铁重的元素。在这个过程中，原子核迅速吸收中子，这些中子随后转化为质子，从而形成越来越重的元素。

在透镜状星系NGC4993中，通过引力波测量首次观测到两颗中子星的碰撞。与之相关的恒星耀斑——千新星，在哈勃太空望远镜的观测中清晰可见。哈勃望远镜观测到这颗千新星在六天内逐渐变暗（插图）。图片来源：A.J.Levan（华威大学）、N.R.Tanvir（莱斯特大学）以及A.Fruchter和O.Fox（空间望远镜科学研究所）

世界各地的研究人员努力通过理论模拟让这些复杂反应变得易于理解。然而，对所有参数进行建模需要惊人的计算能力，这就是为什么模型往往不得不简化的原因，GSIFAIR的核天体物理与结构部门研究员、该论文的第一作者奥利弗贾斯特博士表示。我们使用人工智能的新模型RHINE提供了一种高效的替代方案。

RHINE使用深度学习研究r过程加热

RHINE（基于神经网络的流体动力学模拟中r过程加热的实现）将机器学习（特别是深度学习神经网络）应用于流体动力学模拟中，以表示r过程中核反应释放的能量。这种被称为加热的能量释放会显著影响爆炸过程中喷射物质的运动和速度分布。它还会影响这些事件产生的电磁信号，包括中子星合并后观测到的千新星。

首先，利用大量通过全套核反应产生的参考计算数据训练机器学习模型。随后，这些模型被用于流体动力学模拟，以最小的工作量近似r过程中的加热速率，GSIFAIR核天体物理与结构部门的科学家熊泽伟博士解释道，他在机器学习模型的设计中发挥了核心作用。

包含数千种同位素的详细核合成计算结果首先被用于训练机器学习模型。然后这些模型被用来预测流体动力学模拟中遇到的任何给定状态下的核能释放率。这避免了将核合成计算与流体动力学模拟直接耦合——这种直接耦合在计算上会复杂得多。来源：O.Just、Z.Xiong、G.MartínezPinedo，GSIFAIR

通过详细的对比，我们将我们的机器学习方案与参考数据进行了验证。高度的一致性表明，使用机器学习模型可以节省大量的计算时间。我们还从结果中推断，r过程加热是一个重要效应，应在未来的建模中更好地加以考虑。

研究者表示，RHINE未来可能实现更详细的模拟，有助于将即将投入使用的FAIR设施的实验结果与恒星爆炸和中子星合并的天文观测结果联系起来。

参考文献10.1103gl2l7f3g

RHINE源代码可公开使用。该项目还获得了欧洲研究理事会（ERC）的共同资助。

相关知识

宇宙是时间与空间的统一体，包含所有物质、能量及天体系统。它约138亿年前由大爆炸诞生，至今仍在持续膨胀。可观测宇宙直径约930亿光年，涵盖无数星系、恒星与行星，而未被观测的未知区域，仍是人类探索宇宙奥秘的前沿方向。

BY: GSI Helmholtzzentrum für Schwerionenforschung GmbH

FY: AI

如有相关内容侵权，请在作品发布后联系作者删除

转载还请取得授权，并注意保持完整性和注明出处