|
Künstliche Intelligenz hilft bei Erforschung von
Neutronensternkollisionen
Redaktion
/ Pressemitteilung des Leibniz-Instituts für Astrophysik Potsdam
astronews.com
9. Juni 2026
Mithilfe eines neuartigen Simulationsmodells ist es einem
internationalen Forschungsteam gelungen, sich dem Verständnis der
Elemententstehung in stellaren Events wie beispielsweise
Neutronensternverschmelzungen weiter anzunähern. Zum ersten Mal kam dabei Deep
Learning mithilfe eines neuronalen Netzwerks zum Einsatz.
Künstlerische Darstellung einer
Neutronensternverschmelzung.
Bild: Dana Berry, SkyWorks
Digital, Inc. [Großansicht] |
Eine Vielzahl der uns bekannten chemischen Elemente entsteht in gewaltigen
stellaren Ereignissen wie Sternexplosionen oder Neutronensternverschmelzungen.
Diese Events setzen unglaubliche Energiemengen frei, die die Herstellung
schwerer Nuklide ermöglichen. Ein wichtiger kernphysikalischer
Produktionsprozess ist der sogenannte schnelle Neutroneneinfang (rapid
neutron-capture oder r-Prozess), bei dem freie Neutronen von bestehenden Kernen
eingefangen werden und sich dort in Protonen umwandeln, wodurch größere,
schwerere Atomkerne entstehen.
"Weltweit arbeiten Forschende daran, diese komplexen Reaktionen mithilfe von
theoretischen Simulationen begreifbar zu machen. Um alle Parameter abzubilden,
wären jedoch unglaubliche Rechenkapazitäten nötig, weshalb die Modelle häufig
stark vereinfacht werden müssen", erläutert Dr. Oliver Just, Wissenschaftler in
der Forschungsabteilung "Nukleare Astrophysik & Struktur" bei GSI/FAIR. "Unser
neues Modell RHINE, das mit künstlicher Intelligenz arbeitet, bietet eine
effiziente Alternative."
RHINE (die Abkürzung steht für "r-process heating implementation in
hydrodynamic simulations with neural networks") nutzt maschinelles Lernen (ML),
genauer ein auf Deep Learning basierendes neuronales Netzwerk, um die
Energiefreisetzung der Kernreaktionen im r-Prozess in hydrodynamischen
Simulationen der Ereignisse zu beschreiben. Diese "Heizung" kann einen
signifikanten Einfluss auf die Dynamik und Geschwindigkeitsverteilung des durch
die Explosion ausgeschleuderten Materials haben und somit auch auf die erzeugte
elektromagnetische Strahlung, die im Fall von Neutronensternverschmelzungen als
sogenannte Kilonova beobachtbar ist.
"Die ML-Modelle werden zunächst mithilfe einer großen Anzahl an
Referenzrechnungen trainiert, die mit einem vollständigen Satz an Kernreaktionen
erzeugt wurden. Anschließend werden die Modelle in laufenden hydrodynamischen
Simulationen eingesetzt, um die Heizraten, die während des r-Prozesses
auftreten, mit geringem Aufwand näherungsweise zu bestimmen", erklärt Dr. Zewei
Xiong, ebenfalls Forscher bei GSI/FAIR in der Abteilung "Nukleare Astrophysik &
Struktur", das Verfahren. Er zeichnete maßgeblich für die Konstruktion der
ML-Modelle verantwortlich. "Wir haben unser ML-basiertes Schema mittels
detaillierter Vergleiche mit Referenzdaten validiert. Die gute Übereinstimmung
legt nahe, dass durch den Einsatz von ML-Modellen enorme Mengen an Rechenzeit
gespart werden können. Wir konnten aus den Ergebnissen auch ablesen, dass das
r-Prozess-Heizen ein wichtiger Effekt ist, der in zukünftigen Modellierungen
besser berücksichtigt werden sollte."
In Zukunft können durch die Nutzung des neuen RHINE-Modells noch
detailliertere Simulationen durchgeführt werden, welche es erlauben, die
Ergebnisse der zukünftigen FAIR-Experimente direkt mit Beobachtungen von
Sternexplosionen und Neutronensternverschmelzungen zu verknüpfen. Der Quellcode
von RHINE ist öffentlich zur Nutzung verfügbar. Das Projekt wurde unter anderem
durch den Europäischen Forschungsrat (European Research Council, ERC)
mitfinanziert.
Die Ergebnisse wurden jetzt in der Fachzeitschrift Physical Review D
veröffentlicht.
|
