O simulare fundamentată pe tehnologia învățării automate le oferă oamenilor de știință o viziune nouă asupra mecanismelor ce formează unele dintre cele mai dense elemente din Univers.
De unde provine aurul din bijuterii, uraniul din energia nucleară și multe dintre cele mai grele elemente din cosmos? Experții consideră că acestea sunt generate în unele dintre cele mai tumultoase evenimente cosmice, însă realizarea unor simulări detaliate ale acestor procese reprezintă o dificultate semnificativă.
Acum, cercetătorii de la GSI/FAIR, împreună cu partenerii lor internaționali, au creat un model bazat pe învățarea automată care oferă o percepție mai clară asupra modului în care elementele se formează în condiții extreme, precum fuziunea stelelor neutronice.
Pentru prima dată, echipa a integrat o rețea neuronală de învățare profundă în simulările hidrodinamice pentru a modela energia generată în timpul nucleosintezei prin procesul r (captura rapidă de neutroni). Rezultatele lor au fost publicate în revista _Physical Review D._
Multe elemente chimice se formează în evenimente astrofizice de mare intensitate, cum ar fi exploziile de supernove și fuziunile stelelor neutronice.
Aceste condiții duc la generarea unor cantități masive de energie și neutroni liberi, facilitând procesul rapid de captură neutronică (procesul r), responsabil pentru formarea multor elemente mai grele decât fierul. Pe parcursul acestui proces, nucleele atomice absorb repede neutroni care ulterior se transformă în protoni, generând astfel elemente din ce în ce mai grele.
O provocare semnificativă
„Cercetătorii la nivel mondial lucrează intens pentru a face aceste reacții complexe mai ușor de înțeles prin simulări teoretice. Totuși, modelarea tuturor factorilor necesită o putere de calcul imensă, motiv pentru care modelele trebuie adesea simplificate”, a declarat dr. Oliver Just, autor principal al studiului, în conformitate cu cele scrise de ScitechDaily.
RHINE, care se referă la implementarea încălzirii prin procesul r în simulările hidrodinamice cu utilizarea rețelelor neuronale, utilizează învățarea automată, în special o rețea neuronală de învățare profundă, pentru a reproduce energia generată de reacțiile nucleare în timpul procesului r în cadrul simulărilor hidrodinamice.
Această eliberare de energie, cunoscută sub denumirea de încălzire, poate influența considerabil mișcarea și distribuția vitezei materiei expulzate în timpul unei explozii. De asemenea, este capabilă să afecteze semnalele electromagnetice emise de aceste evenimente, inclusiv kilonovele observate după fuziunea stelelor neutronice.
Un efect neglijat
„În primul rând, modelele de învățare automată sunt instruite folosind un număr mare de calcule de referință, generate printr-un set exhaustiv de reacții nucleare. Apoi, modelele sunt utilizate în simulările hidrodinamice pentru a aproxima ratele de încălzire din timpul procesului r cu un minim de efort”, a explicat dr. Zewei Xiong, cercetător în cadrul aceluiași departament de la GSI/FAIR, care a avut un rol crucial în conceperea modelelor.
„Prin comparații detaliate, am validat schema noastră de învățare automată comparativ cu datele de referință. Gradul ridicat de concordanță sugerează că utilizarea modelelor de inteligență artificială poate reduce semnificativ timpul de calcul. Am dedus de asemenea din rezultate că încălzirea prin procesul r este un efect semnificativ, care ar trebui să fie mai bine integrat în modelele viitoare.”
Cercetătorii susțin că RHINE ar putea permite simulări considerabil mai detaliate pe viitor, facilitând corelarea rezultatelor experimentelor de la viitoarea instalație FAIR cu observațiile astronomice ale exploziilor stelare și fuziunilor de stele neutronice.
Vă mai recomandăm să citiți și:
– [O stea pe moarte ar putea crea un
