Os investigadores desenvolveram uma nova simulação alimentada por inteligência artificial que pode melhorar significativamente a nossa compreensão de como o Universo forma muitos dos seus elementos pesados. Desenvolvido por uma equipe internacional da GSI/FAIR, o modelo de aprendizado de máquina permite aos cientistas simular as complexas reações nucleares que ocorrem durante fusões de estrelas de nêutrons e outros eventos estelares violentos com mais eficiência do que nunca. Suas descobertas são publicadas na revista Exame físico d.
AI melhora a simulação de formação de materiais pesados
Muitos elementos químicos encontrados em todo o universo são formados durante eventos cósmicos extremos, incluindo explosões de supernovas e fusões de estrelas de nêutrons. Estas explosões massivas geram rapidamente a energia necessária para criar núcleos atômicos pesados através de um processo conhecido como captura de nêutrons. R– Processo.
a hora R-processo, o núcleo atômico absorve rapidamente nêutrons livres. Alguns desses nêutrons são então convertidos em prótons, que permitem que o núcleo cresça e eventualmente forme muitos dos elementos mais pesados encontrados na natureza.
Simular essas reações é um dos maiores desafios da astrofísica nuclear porque os cálculos exigem muito poder computacional.
“Investigadores de todo o mundo tentam dar sentido a estas reações complexas através de simulações teóricas. No entanto, modelar todos os parâmetros requer um poder computacional incrível, razão pela qual os modelos muitas vezes têm de ser simplificados,” disse o Dr. Oliver Just, primeiro autor do estudo e investigador no “Departamento de Astrofísica Nuclear e GSIFA/Estrutura”. “Nosso novo modelo RHINE, que utiliza inteligência artificial, oferece uma alternativa eficiente.”
O aprendizado profundo acelera cálculos atômicos complexos
O novo sistema, denominado RHINE (R-Implementações de aquecimento de processos em simulações hidrodinâmicas com redes neurais dependem de aprendizado de máquina (ML), especificamente uma rede neural de aprendizado profundo, para estimar quanta energia é liberada durante uma reação nuclear. Rprocesso durante a simulação hidrodinâmica.
Esta libertação de energia, muitas vezes chamada de aquecimento, desempenha um papel importante na determinação de como a matéria é ejetada durante as explosões estelares. Isto pode afetar tanto a velocidade do material emissor quanto a luz subsequente produzida. Nas fusões de estrelas de nêutrons, esse brilho brilhante é observado como uma quilonova.
Em vez de realizar todos os cálculos atômicos durante cada simulação, a IA é primeiro treinada usando uma extensa biblioteca de cálculos de referência que inclui toda a rede de reações atômicas. Uma vez treinado, ele pode estimar com precisão as taxas de aquecimento com apenas uma fração do esforço computacional.
“Primeiro, os modelos de ML são treinados usando um grande número de cálculos de referência produzidos com o conjunto completo de reações atômicas. Posteriormente, os modelos são adaptados para executar simulações hidrodinâmicas. R-processo com esforço mínimo”, explicou o Dr. Xuewei Xiong, cientista da divisão “Astrofísica e Estruturas Nucleares” da GSI/FAIR e um importante desenvolvedor de modelos de aprendizado de máquina.
“Com comparações detalhadas, validamos nosso esquema de ML em relação aos dados de referência. O alto grau de concordância sugere que o uso de modelos de ML pode economizar uma grande quantidade de tempo de computação. Também inferimos a partir dos resultados que R-O aquecimento do processo é um efeito importante que deve ser melhor considerado em modelagens futuras.”
Vinculando experimentos futuros com observações cósmicas
Os pesquisadores dizem que o RHINE poderia permitir simulações mais detalhadas no futuro, ao mesmo tempo que reduziria drasticamente os recursos computacionais necessários. Estes modelos avançados poderão eventualmente ajudar a ligar experiências com observações de explosões estelares e fusões de estrelas de neutrões feitas por astrónomos no próximo centro de investigação FAIR.
Código-fonte RHINE gerado disponível publicamente Assim, outros pesquisadores podem desenvolver o trabalho. O projeto foi cofinanciado pelo Conselho Europeu de Investigação (ERC), entre outras agências.
