Нейросеть теперь может моделировать рождение тяжёлых элементов при слиянии звёзд в реальном времени

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

Наука и космос013:49

Группа вычислительных астрофизиков из Центра по изучению тяжёлых ионов имени Гельмгольца (GSI, Германия) представила RHINE (R-process Heating Implementation with NEural networks) — первый метод, который интегрирует нейросети прямо в многомерные гидродинамические симуляции столкновения нейтронных звёзд. Это решение устраняет проблему, остававшуюся нерешённой после открытия события GW170817 — первого зафиксированного слияния нейтронных звёзд с одновременным наблюдением гравитационных волн и электромагнитного излучения.

После GW170817 стало очевидно, что существующие модели систематически упускают ключевую физику. Ранее расчёты в основном выполнялись в два этапа: сначала моделировалось само столкновение без учёта ядерных процессов, а затем отдельно рассчитывался нуклеосинтез вдоль полученных траекторий вещества. Авторы называют такой подход внутренне противоречивым: энергия, выделяющаяся во время r-процесса — быстрого захвата нейтронов, в ходе которого образуются 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 воздействовать на движение вещества в процессе расчёта, а не после завершения.

Основным 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 такие вычисления упрощёнными 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 состоит из двух скрытых слоёв 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 обеспечивает строгое 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 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 на порядки быстрее прямого расчёта 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.

Разработка предоставляет инструмент для значительно более точного моделирования процессов, которые затем можно сопоставлять с данными гравитационно-волновых обсерваторий и телескопов. Код RHINE и нейросети опубликованы в открытом доступе, что позволит другим научным группам использовать систему в собственных моделях слияний нейтронных звёзд и проверять её на будущих наблюдениях подобных GW170817.

Darth SaharaИсточники:Physical Review DAreo MagazineНаука и космос0КосмосАстрофизикаНейтронные звёздыНейронные сетиКилоновыеНуклеосинтез13:49