Οι ερευνητές ανέπτυξαν μια νέα προσομοίωση που βασίζεται στην τεχνητή νοημοσύνη που θα μπορούσε να βελτιώσει σημαντικά την κατανόησή μας για το πώς το σύμπαν σχηματίζει πολλά από τα βαριά στοιχεία του. Αναπτύχθηκε από μια διεθνή ομάδα στο GSI/FAIR, το μοντέλο μηχανικής μάθησης επιτρέπει στους επιστήμονες να προσομοιώνουν τις πολύπλοκες πυρηνικές αντιδράσεις που συμβαίνουν κατά τη διάρκεια συγχωνεύσεων άστρων νετρονίων και άλλων βίαιων αστρικών γεγονότων πιο αποτελεσματικά από ποτέ. Τα ευρήματά τους δημοσιεύονται στο περιοδικό Φυσική εξέταση δ.
Το AI βελτιώνει την προσομοίωση σχηματισμού βαρέων υλικών
Πολλά χημικά στοιχεία που βρίσκονται σε όλο το σύμπαν σχηματίζονται κατά τη διάρκεια ακραίων κοσμικών γεγονότων, συμπεριλαμβανομένων των εκρήξεων σουπερνόβα και των συγχωνεύσεων αστεριών νετρονίων. Αυτές οι τεράστιες εκρήξεις δημιουργούν γρήγορα την ενέργεια που απαιτείται για τη δημιουργία βαρέων ατομικών πυρήνων μέσω μιας διαδικασίας γνωστής ως σύλληψης νετρονίων. r– Διαδικασία.
ο χρόνος r-διαδικασία, ο ατομικός πυρήνας απορροφά γρήγορα τα ελεύθερα νετρόνια. Μερικά από αυτά τα νετρόνια στη συνέχεια μετατρέπονται σε πρωτόνια, τα οποία επιτρέπουν στον πυρήνα να αναπτυχθεί και τελικά να σχηματίσει πολλά από τα βαρύτερα στοιχεία που βρίσκονται στη φύση.
Η προσομοίωση αυτών των αντιδράσεων είναι μια από τις μεγαλύτερες προκλήσεις στην πυρηνική αστροφυσική, επειδή οι υπολογισμοί απαιτούν μεγάλη υπολογιστική ισχύ.
“Οι ερευνητές σε όλο τον κόσμο προσπαθούν να κατανοήσουν αυτές τις πολύπλοκες αντιδράσεις μέσω θεωρητικών προσομοιώσεων. Ωστόσο, η μοντελοποίηση όλων των παραμέτρων απαιτεί απίστευτη υπολογιστική ισχύ, γι’ αυτό τα μοντέλα πρέπει συχνά να απλοποιούνται”, δήλωσε ο Δρ Oliver Just, πρώτος συγγραφέας της μελέτης και ερευνητής στο “Nuclear Astrophysics and GSIFA/Structure”. «Το νέο μας μοντέλο RHINE, το οποίο χρησιμοποιεί τεχνητή νοημοσύνη, προσφέρει μια αποτελεσματική εναλλακτική».
Η βαθιά εκμάθηση επιταχύνει πολύπλοκους ατομικούς υπολογισμούς
Το νέο σύστημα, που ονομάζεται RHINE (r-Οι εφαρμογές θέρμανσης διεργασιών σε υδροδυναμικές προσομοιώσεις με νευρωνικά δίκτυα βασίζονται στη μηχανική μάθηση (ML), συγκεκριμένα σε ένα νευρωνικό δίκτυο βαθιάς μάθησης, για να εκτιμήσουν πόση ενέργεια απελευθερώνεται κατά τη διάρκεια μιας πυρηνικής αντίδρασης. rδιαδικασία κατά την υδροδυναμική προσομοίωση.
Αυτή η απελευθέρωση ενέργειας, που συχνά ονομάζεται θέρμανση, παίζει σημαντικό ρόλο στον προσδιορισμό του τρόπου με τον οποίο η ύλη εκτοξεύεται κατά τις αστρικές εκρήξεις. Αυτό μπορεί να επηρεάσει τόσο την ταχύτητα του εκπεμπόμενου υλικού όσο και το φως που παράγεται στη συνέχεια. Στις συγχωνεύσεις αστεριών νετρονίων, αυτή η φωτεινή λάμψη παρατηρείται ως κιλόνοβα.
Αντί να εκτελεί κάθε ατομικό υπολογισμό κατά τη διάρκεια κάθε προσομοίωσης, το AI εκπαιδεύεται πρώτα χρησιμοποιώντας μια εκτενή βιβλιοθήκη υπολογισμών αναφοράς που περιλαμβάνει ολόκληρο το δίκτυο ατομικής αντίδρασης. Μόλις εκπαιδευτεί, μπορεί να εκτιμήσει με ακρίβεια τους ρυθμούς θέρμανσης με μόνο ένα κλάσμα της υπολογιστικής προσπάθειας.
«Πρώτα τα μοντέλα ML εκπαιδεύονται χρησιμοποιώντας έναν μεγάλο αριθμό υπολογισμών αναφοράς που παράγονται με το πλήρες σύνολο των ατομικών αντιδράσεων. Στη συνέχεια, τα μοντέλα προσαρμόζονται για να εκτελούν υδροδυναμικές προσομοιώσεις. r-διαδικασία με ελάχιστη προσπάθεια», εξήγησε ο Δρ Xuewei Xiong, επιστήμονας στο τμήμα «Πυρηνική Αστροφυσική και Δομές» του GSI/FAIR και βασικός προγραμματιστής μοντέλων μηχανικής μάθησης.
“Με λεπτομερείς συγκρίσεις, επικυρώσαμε το σχήμα ML σε σχέση με δεδομένα αναφοράς. Ο υψηλός βαθμός συμφωνίας υποδηλώνει ότι η χρήση μοντέλων ML μπορεί να εξοικονομήσει μεγάλο ποσό υπολογιστικού χρόνου. Συμπεραίνουμε επίσης από τα αποτελέσματα ότι r-Η θέρμανση της διαδικασίας είναι ένα σημαντικό αποτέλεσμα που θα πρέπει να ληφθεί καλύτερα υπόψη στη μελλοντική μοντελοποίηση».
Σύνδεση μελλοντικών πειραμάτων με κοσμικές παρατηρήσεις
Οι ερευνητές λένε ότι το RHINE θα μπορούσε να επιτρέψει πιο λεπτομερείς προσομοιώσεις στο μέλλον, ενώ θα μειώσει δραματικά τους απαιτούμενους υπολογιστικούς πόρους. Αυτά τα προηγμένα μοντέλα θα μπορούσαν τελικά να βοηθήσουν στη σύνδεση των πειραμάτων με τις παρατηρήσεις αστρικών εκρήξεων και συγχωνεύσεων άστρων νετρονίων που πραγματοποιήθηκαν από αστρονόμους στην επερχόμενη ερευνητική εγκατάσταση FAIR.
Δημιουργήθηκε ο πηγαίος κώδικας RHINE δημόσια διαθέσιμα Έτσι, άλλοι ερευνητές μπορούν να αξιοποιήσουν την εργασία. Το έργο συγχρηματοδοτήθηκε από το Ευρωπαϊκό Συμβούλιο Έρευνας (ERC), μεταξύ άλλων φορέων.
