Нейросеть помогает астрономам моделировать рождение тяжёлых элементов при слиянии звёзд

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

Наука и космос042 минуты назад

Коллектив вычислительных астрофизиков из Центра по изучению тяжёлых ионов имени Гельмгольца (GSI, Германия) представил RHINE (R-process Heating Implementation with NEural networks) — новаторский метод, который применяет нейросети непосредственно в многомерных гидродинамических симуляциях слияния нейтронных звёзд. Этот подход решает проблему, оставшуюся нерешённой после открытия события GW170817 — первого зарегистрированного слияния нейтронных звёзд с одновременным наблюдением гравитационных волн и электромагнитного излучения.

После GW170817 стало очевидно, что существующие модели систематически упускают важные физические аспекты. Ранее расчёты обычно выполнялись в два этапа: сначала моделировалось само столкновение без учёта ядерных процессов, а затем, после завершения симуляции, отдельно рассчитывался нуклеосинтез вдоль полученных траекторий вещества. Авторы рассматривают такой метод как внутренне противоречивый: энергия, выделяемая во время r-процесса — быстрого захвата нейтронов, в ходе которого формируются золото, платина и множество других тяжёлых элементов, — составляет 2–3 МэВ на барион и сопоставима с кинетической энергией выбрасываемого вещества. Это указывает на то, что она должна оказывать влияние на движение вещества в процессе расчёта, а не после его завершения.

Главным препятствием была вычислительная сложность. Для полного моделирования r-процесса необходимо одновременно решать систему уравнений для приблизительно 3000 различных изотопов, что практически невозможно интегрировать в современные трёхмерные гидродинамические модели. Попытки заменить подобные 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 служат входными данными для ансамбля из 16 специализированных нейросетей типа многослойного перцептрона (MLP). Каждая сеть включает два скрытых слоя по 30–50 нейронов и обучена предсказывать скорость изменения состава вещества и выделения энергии почти 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 авторы использовали результаты полных расчётов ядерных сетей — современного «золотого стандарта» моделирования нуклеосинтеза. Обучающий набор включал 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 система проверялась 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 на порядки быстрее непосредственного расчёта тысяч ядерных реакций.

Практический эффект оказался весьма значительным. При моделировании выбросов вещества из аккреционного диска вокруг формирующейся 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 способствует тому, чтобы вещество преодолевало гравитацию центрального объекта и покидало 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, подобных GW170817.

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