Астрофизики создали нейросеть для моделирования рождение тяжёлых элементов при звездных слияниях

Метод RHINE вычисляет выделение энергии r-процесса в реальном времени, исправляя системные ошибки в моделях с момента исторического наблюдения GW170817

Наука и космос042 минуты назад

Коллектив вычислительных астрофизиков из Центра по исследованию тяжёлых ионов имени Гельмгольца (GSI, Германия) представил RHINE (R-process Heating Implementation with NEural networks) — первый подход, который интегрирует нейросети непосредственно в многомерные гидродинамические симуляции слияний нейтронных звёзд. Эта разработка решает проблему, оставшуюся нерешённой после открытия события GW170817 — первого зарегистрированного слияния нейтронных звёзд с одновременным наблюдением как гравитационных волн, так и электромагнитного излучения.

После события GW170817 стало очевидно, что существующие модели систематически игнорируют важные физические аспекты. Ранее расчёты обычно проводились в два этапа: сначала моделировалось само столкновение без учёта ядерных процессов, а затем отдельно вычислялся нуклеосинтез вдоль полученных траекторий вещества. Авторы описывают такой подход как внутренне противоречивый: энергия, выделяющаяся в ходе r-процесса — быстрого захвата нейтронов, в процессе которого формируются золото, платина и многие другие тяжёлые элементы, — достигает 2–3 МэВ на барион и сопоставима с кинетической энергией выбрасываемого вещества. Это подразумевает, что она должна оказывать влияние на движение вещества непосредственно в процессе расчёта, а не после его завершения.

Основным препятствием была вычислительная сложность. Для полного моделирования r-процесса необходимо одновременно решать систему уравнений для примерно 3000 различных изотопов, что практически невозможно интегрировать в современные трёхмерные гидродинамические модели. Попытки заменить такие вычисления простыми параметризациями приводили к значительным ошибкам, так как не учитывали локальные изменения состава вещества и их влияние на выделение энергии.

В RHINE вместо отслеживания тысяч отдельных изотопов используются лишь несколько физических характеристик среды: массовые доли нейтронов, протонов, альфа-частиц и тяжёлых ядер, среднее массовое число тяжёлых ядер и средний избыток массы на барион. Эти параметры становятся входными данными для ансамбля из 16 специализированных нейросетей типа многослойного перцептрона (MLP). Каждая сеть имеет два скрытых слоя по 30–50 нейронов и обучена предсказывать скорость изменения состава вещества и выделения энергии практически в реальном времени. Перед вычислениями входные параметры автоматически нормализуются и масштабируются, а после — специальный блок коррекции гарантирует строгую соблюдение законов сохранения массы и электрического заряда.

Для обучения RHINE исследователи использовали результаты полных расчётов ядерных сетей — современного «золотого стандарта» моделирования нуклеосинтеза. Обучающий набор состоял из 240 тысяч временных шагов, полученных по 5000 траекториям выбросов вещества при слиянии нейтронных звёзд.

Нейросети обучались на платформе PyTorch с использованием оптимизатора ADAM в течение 2–10 тысяч эпох, при этом обучение каждой модели занимало около 100 часов процессорного времени. Затем систему проверяли на сценариях, которые не использовались во время обучения. В большинстве тестов отклонение по выделившейся энергии не превышало 10% по сравнению с полными расчётами, а интеграция RHINE увеличивала время выполнения гидродинамической симуляции всего в 1,3–2,1 раза, что значительно быстрее, чем прямой расчёт тысяч ядерных реакций.

Практический эффект оказался весьма заметным. При моделировании выбросов вещества из аккреционного диска вокруг образующейся чёрной дыры, которое покидает систему спустя секунды после слияния и движется значительно медленнее динамических выбросов, — учёт r-процесса увеличил среднюю скорость вещества примерно на 40%, а его массу — примерно на 20%. Дополнительная энергия помогает веществу преодолеть гравитацию центрального объекта и покинуть диск. Сам химический состав изменился сравнительно мало, однако влияние на наблюдаемое излучение оказалось значительно сильнее.

Расчёты показали, что килоновая — вспышка, возникающая после слияния нейтронных звёзд благодаря распаду недавно синтезированных тяжёлых элементов, — примерно через 10 дней после столкновения становится почти вдвое ярче, если учитывать динамическую обратную связь r-процесса. Это особенно важно для интерпретации наблюдений, подобных GW170817, поскольку именно по форме кривой блеска астрономы восстанавливают массу выбросов, скорость их расширения и условия формирования тяжёлых элементов.

Данная разработка предоставляет инструмент для значительно более точного моделирования процессов, которые затем могут быть сопоставлены с данными гравитационно-волновых обсерваторий и телескопов. Код RHINE и нейросети опубликованы в открытом доступе, что позволит другим научным группам применять систему в своих моделях слияний нейтронных звёзд и проверять её на будущих наблюдениях, аналогичных GW170817.

Darth SaharaИсточники:Physical Review DAreo MagazineНаука и космос0КосмосАстрофизикаНейтронные звёздыНейронные сетиКилоновыеНуклеосинтез42 минуты назад