Нейросети научили моделировать синтез тяжёлых элементов при слиянии звёзд в реальном времени

Команда вычислительных астрофизиков из Центра по изучению тяжёлых ионов имени Гельмгольца (GSI, Германия) представила инновационный метод RHINE (R-process Heating Implementation with NEural networks). Это первое решение, интегрирующее нейронные сети непосредственно в структуру многомерных гидродинамических симуляций слияния нейтронных звёзд. Разработка закрывает критический пробел в физических моделях, который стал очевиден после регистрации исторического события GW170817 — первого случая, когда слияние нейтронных звёзд удалось зафиксировать одновременно через гравитационные волны и электромагнитное излучение.

Именно анализ данных GW170817 выявил системные недостатки существующих подходов. Традиционная методология была двухэтапной: сначала моделировалась динамика столкновения без учёта ядерных взаимодействий, а затем, по завершении симуляции, отдельно высчитывался нуклеосинтез вдоль траекторий выброса вещества. Ученые подчеркивают, что такой подход внутренне противоречив: r-процесс (быстрый захват нейтронов), порождающий золото, платину и другие тяжелые элементы, высвобождает до 2–3 МэВ на барион. Эта энергия сопоставима с кинетической энергией выброшенной материи и должна учитываться динамически, непосредственно в процессе движения вещества.

Основным барьером была колоссальная вычислительная нагрузка. Полноценное моделирование r-процесса требует решения уравнений для 3000 изотопов, что технически невозможно встроить в современные 3D-гидродинамические симуляции. Упрощенные параметризации, применявшиеся ранее, приводили к погрешностям, так как игнорировали локальную эволюцию состава вещества и связанное с этим выделение тепла.

Вместо отслеживания тысяч изотопов, метод RHINE опирается на ключевые физические дескрипторы среды: массовые доли протонов, нейтронов, альфа-частиц и тяжелых ядер, а также среднее значение избытка массы. Эти данные подаются в ансамбль из 16 нейросетей архитектуры MLP (многослойный перцептрон). Каждая сеть состоит из двух скрытых слоев (по 30–50 нейронов) и способна прогнозировать энергетический отклик и трансформацию состава среды в реальном времени. Система автоматически нормализует входные данные, а специальный коррекционный модуль гарантирует соблюдение фундаментальных законов сохранения массы и электрического заряда.

Для обучения RHINE использовались эталонные данные — полные расчеты ядерных сетей. Тренировочный датасет охватил 240 тысяч временных шагов, полученных на 5000 различных траекториях выбросов. Модели обучались на базе PyTorch с использованием оптимизатора ADAM, на что потребовалось около 100 часов процессорного времени на каждую сеть. При проверке на независимых данных отклонения в расчете энергии составили менее 10%. Интеграция RHINE замедляет гидродинамическую симуляцию лишь в 1,3–2,1 раза, что на порядки быстрее классического метода прямого расчета реакций.

Практическое применение инструмента показало впечатляющие результаты. В моделировании вещества, покидающего аккреционный диск вокруг новообразованной чёрной дыры, учет r-процесса привел к росту скорости выброса на 40% и увеличению его массы на 20%. Дополнительная энергия помогает материи преодолеть гравитационный захват. Несмотря на то что химический состав изменился незначительно, влияние на наблюдаемые характеристики свечения оказалось критическим.

Расчеты подтвердили: килоновая — вспышка, обусловленная распадом синтезированных элементов, — через 10 дней после столкновения светит почти в два раза ярче, если учитывать обратную связь r-процесса. Это открытие крайне важно для интерпретации кривых блеска, по которым астрономы определяют физические параметры слияний. Программное обеспечение RHINE выложено в открытый доступ, что предоставляет мировому научному сообществу мощный инструмент для моделирования и анализа будущих астрофизических событий.

Источник: iXBT