מודל AI חדש מדמה איך נוצרים היסודות הכבדים

חוקרים מ-GSI/FAIR ושותפיהם הציגו מודל חדש מבוסס בינה מלאכותית, שנועד לדמות ביעילות גבוהה את התהליכים הגרעיניים המתרחשים בזמן מיזוגי כוכבי נייטרונים ואירועים קוסמיים אלימים נוספים. לפי הצוות, המערכת החדשה מקצרת מאוד את זמן החישוב הנדרש להבנת יצירתם של חלק מהיסודות הכבדים ביותר בטבע, ופותחת פתח לסימולציות מפורטות יותר מאלה שהתאפשרו עד כה.

המחקר פורסם בכתב העת Physical Review D, והוא מתמקד באחת השאלות המרכזיות באסטרופיזיקה גרעינית: כיצד נוצרים יסודות כבדים ביקום בתנאים קיצוניים, כמו התנגשות בין כוכבי נייטרונים או פיצוץ סופרנובה.

כך נוצרים זהב, אורניום ויסודות כבדים אחרים

לפי ההסבר של החוקרים, חלק גדול מהיסודות הכבדים ביקום נוצר בתהליך המכונה לכידת נייטרונים מהירה, או r-process. בתהליך הזה גרעיני אטומים קולטים במהירות נייטרונים חופשיים, וחלק מהנייטרונים הופכים בהמשך לפרוטונים. כך הגרעין גדל, משתנה, ובסופו של דבר יכול להיווצר מגוון רחב של יסודות כבדים.

הבעיה היא שהדמיה מלאה של התהליך דורשת מערך עצום של חישובים גרעיניים, משום שיש להביא בחשבון רשת מורכבת מאוד של תגובות. לכן, במשך שנים נאלצו חוקרים לפשט מודלים כדי שיוכלו להריץ סימולציות בזמן סביר.

ד"ר אוליבר יוסט, המחבר הראשון של המחקר וחוקר במחלקת "אסטרופיזיקה גרעינית ומבנה" ב-GSI/FAIR, אמר כי חוקרים ברחבי העולם מנסים להפוך את התגובות המורכבות האלה למובנות באמצעות סימולציות תיאורטיות, אך המחיר החישובי גבוה מאוד. לדבריו, המודל החדש, RHINE, מציע חלופה יעילה בהרבה.

במקום לחשב הכול מחדש, הרשת לומדת להעריך

המערכת החדשה, RHINE, מבוססת על רשת נוירונים עמוקה. תפקידה הוא להעריך בזמן הרצת הסימולציה כמה אנרגיה משתחררת בתגובות הגרעיניות של תהליך ה-r-process. שחרור האנרגיה הזה, המכונה לעיתים "חימום", חשוב במיוחד משום שהוא משפיע על האופן שבו חומר נזרק החוצה בזמן הפיצוץ הקוסמי — גם על מהירות הפליטה וגם על עוצמת האור שנפלט לאחר מכן.

במיזוגי כוכבי נייטרונים, האור הזה מזוהה כתופעה המכונה קילונובה. הבנה טובה יותר של עוצמת החימום ושל השפעתו על החומר הנפלט עשויה לשפר את הפענוח של אותות האור שמודדים אסטרונומים לאחר אירועים כאלה.

במקום לבצע בכל הרצה את כלל החישובים הגרעיניים המלאים, החוקרים אימנו תחילה את המודל על ספריית ייחוס גדולה של חישובים מפורטים. לאחר האימון, הרשת יכולה להעריך את קצב שחרור האנרגיה בדיוק גבוה, אך בעלות חישובית קטנה בהרבה.

ד"ר זאוויי שיונג, גם הוא חוקר ב-GSI/FAIR ואחד ממפתחי מודלי הלמידה, הסביר כי בשלב הראשון מאמנים את המודל על מספר גדול של חישובי ייחוס המבוססים על מערך מלא של תגובות גרעיניות. לאחר מכן משלבים את המודל בסימולציות הידרודינמיות פעילות, כדי להעריך את קצבי החימום במאמץ חישובי מינימלי.

התאמה גבוהה לנתוני הייחוס וקוד פתוח לקהילה

לפי החוקרים, השוואות מפורטות בין תוצאות המודל לבין נתוני הייחוס הראו רמת התאמה גבוהה. מבחינתם, זו אינדיקציה לכך שאפשר לחסוך זמן מחשוב עצום בלי לוותר על דיוק משמעותי. עוד הם מסבירים שהתוצאות מחזקות את ההבנה שלחימום בתהליך ה-r-process יש תפקיד חשוב, ושבעתיד יהיה צורך להביא אותו בחשבון בצורה טובה יותר במודלים אסטרופיזיקליים.

מעבר לצד התיאורטי, לצוות יש גם מטרה מעשית רחבה יותר: לאפשר בעתיד חיבור טוב יותר בין ניסויי פיזיקה גרעינית במתקן FAIR, שנבנה בגרמניה, לבין תצפיות אסטרונומיות של מיזוגי כוכבי נייטרונים והתפרצויות כוכביות. אם המודלים יהיו מהירים ומדויקים יותר, אפשר יהיה להשוות בקלות רבה יותר בין מה שרואים בטלסקופים לבין מה שנמדד במעבדה.

החוקרים גם פרסמו את קוד המקור של RHINE לציבור, כך שקבוצות מחקר נוספות יוכלו להשתמש בו, לבדוק אותו ולהרחיב את היישומים שלו. המחקר מומן בין השאר בידי מועצת המחקר האירופית, והמאמר נחתם על ידי אוליבר יוסט, זאוויי שיונג וגבריאל מרטינס-פינדו.