Die schwersten Elemente des Universums — das Gold im Ehering, das Uran im Reaktorbrennstoff — entstehen nicht in gewöhnlichen Sternen. Sie werden in seltenen, gewaltsamen Ereignissen zusammengesetzt, etwa beim Zusammenstoß zweier Neutronensterne oder der Explosion eines sterbenden Sterns, wo Materie so stark verdichtet und erhitzt wird, dass Atomkerne in rascher Folge freie Neutronen einfangen können. Diesen Vorgang im Detail zu modellieren, hat selbst die größten Supercomputer lange an ihre Grenzen gebracht. Ein Team am Labor GSI/FAIR in Deutschland stellt nun einen Weg vor, solche Simulationen drastisch günstiger zu machen, indem es den aufwendigsten Schritt durch ein trainiertes neuronales Netz ersetzt.
Die in Physical Review D veröffentlichte Arbeit dreht sich um ein Werkzeug, das die Forschenden RHINE nennen — kurz für "r-process heating implementation in hydrodynamic simulations with neural networks". Der r-Prozess — der schnelle Neutroneneinfang — ist die Reaktionskette, die für die meisten Elemente schwerer als Eisen verantwortlich ist. Wenn Kerne Neutronen aufnehmen und einige dieser Neutronen in Protonen zerfallen, setzen die Reaktionen Energie frei. Diese Hitze ist kein Nebendetail: Sie bestimmt, wie schnell die Trümmer nach außen fliegen und wie hell das Nachleuchten strahlt — einschließlich der Kilonova, die Astronominnen und Astronomen nach einer Neutronenstern-Verschmelzung beobachten können.
Die Physik lernen, statt sie neu zu berechnen
"Die Modellierung aller Parameter erfordert unglaubliche Rechenleistung, weshalb die Modelle oft vereinfacht werden müssen", sagt Dr. Oliver Just, Erstautor der Studie. Statt bei jedem Schritt einer Simulation das vollständige Kernreaktionsnetz zu lösen, lernt RHINE daraus. Das Team führte zunächst eine große Bibliothek vollständiger Referenzrechnungen durch und trainierte anschließend Deep-Learning-Modelle darauf, die dabei entstehenden Heizraten wiederzugeben.
"Mit detaillierten Vergleichen haben wir unser ML-Schema anhand von Referenzdaten validiert", sagt Dr. Zewei Xiong, der den Entwurf der Modelle leitete. "Die hohe Übereinstimmung legt nahe, dass der Einsatz von ML-Modellen enorm viel Rechenzeit sparen kann." Die Untersuchung bestätigte zudem, dass die r-Prozess-Heizung wichtig genug ist, um in künftigen Modellen nicht ausgelassen zu werden.
Die Forschenden, zu denen auch Gabriel Martínez-Pinedo gehört, haben den Quellcode von RHINE öffentlich zugänglich gemacht und weisen darauf hin, dass das Projekt unter anderem vom Europäischen Forschungsrat (ERC) mitfinanziert wurde. Längerfristig hoffen sie, dass schnellere Simulationen helfen, Messungen an der künftigen Beschleunigeranlage FAIR mit dem zu verbinden, was Teleskope tatsächlich beobachten, wenn Sterne auseinandergerissen werden.