Искусственный интеллект научился моделировать рождение золота во Вселенной: прорыв, который может изменить астрофизику

Представьте себе событие настолько мощное, что за несколько секунд оно выделяет больше энергии, чем миллиарды Солнц за долгое время. Именно в таких космических катастрофах рождаются самые тяжелые элементы периодической таблицы — золото, платина, уран, торий и многие другие металлы, без которых невозможно представить современную цивилизацию.

Сегодня международная группа ученых из исследовательского центра GSI/FAIR сделала огромный шаг к пониманию этого процесса. Используя искусственный интеллект, исследователи создали новую модель RHINE, которая позволяет моделировать образование тяжелых элементов с точностью, ранее недостижимой из-за ограничений вычислительной техники. Результаты работы опубликованы в одном из ведущих научных журналов мира — Physical Review D.

Откуда вообще появилось золото?

Каждый атом золота в вашем кольце, часах или электронном устройстве появился задолго до рождения Земли.

Большинство привычных химических элементов действительно синтезируются внутри звезд. Именно там рождаются углерод, кислород, кремний, железо и многие другие вещества. Однако существует предел.

После образования железа обычная звезда уже не способна производить более тяжелые элементы с выделением энергии. Для создания золота, платины или урана требуются настолько экстремальные условия, что во Вселенной они возникают лишь при самых редких и катастрофических событиях.

Одним из таких событий является столкновение двух нейтронных звезд.

Что такое нейтронная звезда?

Нейтронная звезда — это остаток гигантской звезды, которая завершила свою жизнь взрывом сверхновой.

Несмотря на размеры всего около 20 километров в диаметре, масса такой звезды может превышать массу Солнца. Один кубический сантиметр вещества нейтронной звезды весил бы на Земле сотни миллионов тонн.

Если две такие звезды вращаются друг вокруг друга миллионы лет, постепенно они начинают сближаться. В конечном итоге происходит столкновение невероятной силы.

В этот момент рождается явление, известное как килоновая.

Килоновая — одна из самых мощных вспышек во Вселенной

Килоновая — это короткий, но чрезвычайно яркий взрыв, возникающий после слияния нейтронных звезд. Его яркость может превосходить светимость миллиардов Солнц.

Во время столкновения в космос выбрасываются огромные массы сверхплотного вещества, насыщенного свободными нейтронами. Именно здесь запускается один из самых важных процессов современной ядерной астрофизики.

r-процесс — космическая фабрика тяжелых элементов

Ученые называют его rapid neutron-capture process, или просто r-процессом. Его принцип относительно прост, хотя физика невероятно сложна.

Атомные ядра начинают стремительно захватывать огромное количество свободных нейтронов. Настолько быстро, что не успевают распадаться между последовательными захватами. Затем часть этих нейтронов превращается в протоны посредством бета-распада. Так постепенно ядра становятся все тяжелее.

Именно таким образом появляются:

• золото;
• платина;
• уран;
• торий;
• редкоземельные элементы;
• десятки других тяжелых изотопов.

Фактически большинство золота на Земле когда-то было создано именно в подобных космических катастрофах.

Почему ученым так трудно моделировать этот процесс?

На первый взгляд кажется, что достаточно написать программу и просчитать столкновение двух звезд.

На практике задача намного сложнее.

Во время r-процесса одновременно происходят тысячи различных ядерных реакций.

Каждая из них:

• выделяет тепло;
• меняет состав вещества;
• влияет на скорость разлета материи;
• изменяет яркость килоновой;
• влияет на спектр излучения.

Все эти процессы взаимосвязаны. При этом гидродинамическая модель должна рассчитывать движение вещества буквально на каждом временном шаге.

Если использовать полную сеть всех ядерных реакций, вычислительные затраты становятся астрономическими. Даже самые мощные суперкомпьютеры вынуждены тратить огромное количество времени на один такой расчет. Поэтому исследователи десятилетиями были вынуждены идти на компромисс.

Чтобы завершить моделирование за разумное время, приходилось:

• упрощать физику;
• сокращать число реакций;
• использовать приближенные модели;
• жертвовать точностью результатов.

Искусственный интеллект вместо миллионов вычислений

Именно здесь на помощь пришло машинное обучение. Команда GSI/FAIR разработала модель RHINE (r-process Heating Implementation in hydrodynamic simulations with Neural networks).

On 17 August 2017, within the galaxy NGC 4993, the first collision of two neutron stars could be observed by measurements of gravitational waves. The associated stellar flare, a kilonova, is visible in the observations of the Hubble Space Telescope.

Credit: NASA and ESA. Acknowledgment: A.J. Levan (U. Warwick), N.R. Tanvir (U. Leicester), and A. Fruchter and O. Fox (STScI)

Вместо того чтобы каждый раз заново рассчитывать тысячи реакций, ученые пошли другим путем. Сначала они выполнили огромное количество максимально точных эталонных вычислений с использованием полной сети ядерных реакций. Эти результаты стали своеобразной «учебной библиотекой».

Затем нейронную сеть обучили находить закономерности между параметрами процесса и количеством выделяемого тепла. После завершения обучения RHINE уже не нужно проводить полный расчет заново. Она практически мгновенно предсказывает скорость тепловыделения с очень высокой точностью.

По сути искусственный интеллект научился заменять чрезвычайно дорогую часть вычислений почти без потери качества.

Почему тепло настолько важно?

Можно подумать, что речь идет лишь о температуре вещества. Но именно количество тепла определяет дальнейшую судьбу выброшенной материи.

Дополнительный нагрев влияет на:

• скорость расширения облака;
• распределение вещества;
• химический состав выбросов;
• яркость килоновой;
• продолжительность свечения;
• спектр электромагнитного излучения.

Именно по этому излучению современные телескопы пытаются понять, какие элементы были созданы после столкновения звезд. Чем точнее рассчитывается нагрев, тем лучше совпадают компьютерные модели с реальными наблюдениями.

Проверка новой модели

После обучения исследователи провели серию сравнений RHINE с полными физическими расчетами. Результаты оказались весьма впечатляющими. Нейросеть практически повторила результаты традиционного моделирования, но потребовала лишь небольшую часть вычислительных ресурсов.

По словам одного из авторов исследования, доктора Оливера Юста, использование RHINE позволяет существенно сократить время вычислений без заметной потери точности.

Доктор Цзэвэй Сюн, принимавший участие в разработке модели, отметил, что столь высокая степень совпадения подтверждает перспективность использования машинного обучения для решения сложнейших задач современной астрофизики.

Кроме того, ученые пришли к выводу, что влияние тепловыделения в ходе r-процесса ранее, вероятно, недооценивалось и должно обязательно учитываться в будущих исследованиях.

Почему эта работа намного важнее, чем кажется

На первый взгляд может показаться, что речь идет лишь о новой программе. На самом деле это пример того, как сегодня развивается научный искусственный интеллект.

Многие представляют себе ИИ как систему, которая самостоятельно делает открытия или заменяет ученых. Но реальность значительно интереснее. ИИ все чаще используется как интеллектуальный ускоритель вычислений. Он не открывает новые законы физики. Он не придумывает новые теории. Он делает возможными те расчеты, которые раньше были практически недостижимы даже для суперкомпьютеров.

Именно это становится одним из главных направлений развития науки в 2026 году.

Что изменится дальше?

Новая модель RHINE открывает возможности для проведения гораздо более детальных гидродинамических симуляций столкновений нейтронных звезд.

В перспективе это позволит:

• значительно ускорить моделирование килоновых;
• повысить точность расчета образования тяжелых элементов;
• лучше интерпретировать наблюдения космических телескопов;
• напрямую сравнивать результаты компьютерных моделей с экспериментами будущего ускорительного комплекса FAIR в Германии;
• глубже понять происхождение вещества, из которого состоит наша планета и мы сами.

Искусственный интеллект становится новым инструментом фундаментальной науки

Еще несколько лет назад ИИ в основном ассоциировался с генерацией изображений, текстов или программного кода.

Сегодня ситуация стремительно меняется.

Нейронные сети помогают искать новые лекарства, рассчитывать климатические модели, анализировать данные Большого адронного коллайдера, проектировать материалы будущего и даже изучать происхождение химических элементов во Вселенной.

История RHINE прекрасно демонстрирует новую роль искусственного интеллекта. Он не заменяет физиков. Он не делает открытия вместо людей.

Он снимает одно из главных ограничений современной науки — колоссальную вычислительную сложность. Благодаря этому ученые получают возможность исследовать процессы, которые раньше существовали лишь в теории, и все ближе подходят к ответу на один из самых древних вопросов человечества: откуда во Вселенной появилось золото и другие тяжелые элементы, из которых состоит окружающий нас мир.