Araştırmacılar, evrenin en ağır elementlerinin birçoğunun nasıl oluştuğuna dair anlayışımızı önemli ölçüde geliştirebilecek yeni bir yapay zeka destekli simülasyon geliştirdi.
GSI Helmholtzzentrum für Schwerionenforschung GmbH ve FAIR tesisindeki uluslararası bir ekip tarafından oluşturulan makine öğrenimi modeli, bilim insanlarının nötron yıldızı birleşmeleri sırasında meydana gelen karmaşık nükleer reaksiyonları daha önce olduğundan çok daha verimli bir şekilde simüle etmelerini sağlıyor. Bulgular Physical Review D dergisinde yayınlandı.
Evrende bulunan kimyasal elementlerin çoğu — altın, platin ve uranyum dahil — süpernova patlamaları ve nötron yıldızı birleşmeleri gibi aşırı kozmik olaylar sırasında oluşur. Bu devasa patlamalar, hızlı nötron yakalama veya r-süreci olarak bilinen bir süreçle ağır atom çekirdekleri üretmek için gereken enerjiyi yaratır.
r-süreci sırasında, atom çekirdekleri hızla serbest nötronları emer. Bu nötronların bir kısmı daha sonra protonlara dönüşerek çekirdeklerin büyümesine ve sonunda ağır elementleri oluşturmasına izin verir.
Bu reaksiyonları simüle etmek, hesaplamalar muazzam bilgi işlem gücü gerektirdiğinden nükleer astrofiziğin en büyük zorluklarından biri olmuştur.
"Dünyanın dört bir yanındaki araştırmacılar, bu karmaşık reaksiyonları teorik simülasyonlarla anlaşılır kılmak için çabalıyor. Ancak, tüm parametreleri modellemek inanılmaz bilgi işlem gücü gerektiriyor, bu nedenle modeller genellikle basitleştirilmek zorunda kalıyor," dedi çalışmanın ilk yazarı ve GSI/FAIR'de araştırmacı Dr. Oliver Just. "Yapay zeka kullanan yeni modelimiz RHINE, verimli bir alternatif sunuyor."
RHINE (nötron ağları ile hidrodinamik simülasyonlarda r-süreci ısıtma uygulaması) olarak adlandırılan yeni sistem, hidrodinamik simülasyonlar çalışırken r-sürecindeki nükleer reaksiyonlar sırasında ne kadar enerji salındığını tahmin etmek için derin öğrenme sinir ağına güveniyor.
Isıtma olarak adlandırılan bu enerji salınımı, maddenin yıldız patlamaları sırasında nasıl atıldığını belirlemede önemli bir rol oynuyor. Hem fırlatılan malzemenin hızını hem de daha sonra üretilen ışığı etkileyebiliyor. Nötron yıldızı birleşmelerinde, bu parlak parıltı bir kilonova olarak gözlemleniyor.
AI, her simülasyon sırasında her nükleer hesaplamayı yapmak yerine, önce tam nükleer reaksiyon ağlarını içeren kapsamlı bir referans hesaplama kütüphanesi kullanılarak eğitiliyor. Eğitildikten sonra, hesaplama çabasının çok küçük bir kısmı ile ısıtma oranlarını doğru bir şekilde tahmin edebiliyor.
RHINE kaynak kodu, diğer araştırmacıların çalışmayı geliştirebilmesi için herkese açık hale getirildi. Proje, Avrupa Araştırma Konseyi tarafından ortak finanse edildi.
