研究人员开发了一种新的人工智能驱动的模拟，可能显著改善我们对宇宙如何创造其许多重元素的理解。这个模型由国际团队在GSI/FAIR创建，利用机器学习模型，科学家可以更高效地模拟中子星合并和其他剧烈星体事件中发生的复杂核反应。他们的发现发表在《物理评论D》期刊上。人工智能改善重元素形成的模拟宇宙中发现的许多化学元素是在极端宇宙事件中锻造的，包括超新星爆炸和中子星合并。这些巨大爆炸产生了通过快速中子捕获过程（r -过程）制造重原子核所需的能量。在r -过程中，原子核迅速吸收自由中子。其中一些中子转化为质子，使得原子核增大，并最终形成许多自然界中存在的重元素。模拟这些反应是核天体物理学中最大的挑战之一，因为这些计算需要巨大的计算能力。“世界各地的研究人员努力通过理论模拟使这些复杂反应变得易于理解。然而，建模所有参数需要不可思议的计算能力，这就是为什么模型常常需要被简化，”该研究的第一作者，GSI/FAIR“核天体物理学与结构”部门的研究员奥利弗·贾斯特博士说。“我们的新模型RHINE使用人工智能，提供了一种高效的替代方案。”深度学习加速复杂的核计算新的系统名为RHINE（r -过程加热实施在使用神经网络的流体动力学模拟中），依靠机器学习（ML），特别是深度学习神经网络，在进行流体动力学模拟时估算r -过程中核反应所释放的能量。这种能量释放，通常称为加热，在确定物质在星体爆炸中如何被喷射方面扮演着重要角色。它可以影响喷射物质的速度以及爆炸后产生的光。在中子星合并中，这种耀眼的光芒被观察为千新星。AI并不是在每次模拟中执行每个核计算，而是首先使用包含完整核反应网络的参考计算的大型库训练。训练完成后，它能够以仅一小部分计算努力准确地估计加热速率。“首先，ML模型使用大量经过完整核反应集合生成的参考计算进行训练。接着，这些模型被用在流体动力学模拟中，以在r -过程中用最小的努力逼近加热速率，”同样为GSI/FAIR的“核天体物理学与结构”部门的科学家及机器学习模型的关键开发人员熊泽伟博士解释道。“通过详细的比较，我们将我们的ML方案与参考数据进行了验证。高度一致性表明，使用ML模型可以节省大量的计算时间。我们还从结果中推断出，r -过程加热是一个重要的效应，未来的建模中应更好地考虑。”将未来实验与宇宙观测联系起来 研究人员表示RHINE将使未来的模拟更加详细，同时显著减少所需的计算资源。改进的模型可能最终帮助将即将到来的FAIR研究设施的实验与天文学家对星体爆炸和中子星合并的观测结合起来。RHINE源代码已经公开，以便其他研究人员可以在此基础上进行研究。该项目得到了包括欧洲研究委员会（ERC）在内的多家组织的共同资助。