Os pesquisadores desenvolveram uma nova simulação baseada em inteligência artificial que poderia melhorar significativamente a nossa compreensão de como o universo cria muitos dos elementos mais pesados. Criado pela equipe internacional GSI/FAIR, o modelo de aprendizado de máquina permite aos cientistas simular as complexas reações nucleares que ocorrem durante fusões de estrelas de nêutrons e outros eventos estelares violentos com muito mais eficácia do que antes. Seus resultados foram publicados na revista Exame físico D.
IA melhora a simulação da formação de elementos pesados
Muitos dos elementos químicos encontrados em todo o universo são criados durante eventos cósmicos extremos, incluindo explosões de supernovas e fusões de estrelas de nêutrons. Estas enormes explosões geram a energia necessária para produzir núcleos atômicos pesados através de um processo conhecido como captura rápida de nêutrons, ou p– trabalhar.
Durante a arte p-processo, os núcleos atômicos absorvem rapidamente os nêutrons livres. Alguns desses nêutrons são então convertidos em prótons, permitindo que os núcleos cresçam e eventualmente formem os muitos elementos pesados encontrados na natureza.
Simular essas reações é um dos maiores desafios da astrofísica nuclear porque os cálculos requerem um enorme poder computacional.
“Pesquisadores de todo o mundo estão a tentar tornar estas reações complexas compreensíveis através de simulações teóricas. No entanto, simular todos os parâmetros requer uma quantidade incrível de poder computacional, por isso os modelos muitas vezes têm de ser simplificados,” disse o Dr. Oliver Just, primeiro autor do estudo e investigador na Divisão de Astrofísica e Estruturas Nucleares do GSI/FAIR. “Nosso novo modelo RHINE, que utiliza inteligência artificial, oferece uma alternativa eficaz.”
O aprendizado profundo acelera cálculos nucleares complexos
Um novo sistema chamado RHINE (p-implementação do processo de aquecimento na modelagem hidrodinâmica com redes neurais), conta com aprendizado de máquina (ML), especificamente uma rede neural de aprendizado profundo, para estimar quanta energia é liberada durante reações nucleares em p-processo durante a simulação hidrodinâmica.
Esta libertação de energia, muitas vezes chamada de aquecimento, desempenha um papel importante na determinação de como a matéria é ejetada durante as explosões estelares. Isso pode afetar tanto a velocidade do material ejetado quanto a luz produzida posteriormente. Quando as estrelas de nêutrons se fundem, esse brilho brilhante é observado como uma quilonova.
Em vez de realizar todos os cálculos nucleares durante cada simulação, a IA é primeiro treinada usando uma extensa biblioteca de cálculos de referência que inclui redes completas de reações nucleares. Uma vez treinado, ele pode estimar com precisão a taxa de aquecimento com apenas uma fração do esforço computacional.
“Primeiro, os modelos de ML são treinados usando um grande número de cálculos de referência feitos com o conjunto completo de reações nucleares. Os modelos são então executados em simulações hidrodinâmicas para aproximar as taxas de aquecimento durante p-um processo de esforço mínimo”, explicou o Dr. Zewei Xiong, também cientista da Divisão de Astrofísica e Estrutura Nuclear da GSI/FAIR e um dos principais desenvolvedores dos modelos de aprendizado de máquina.
“Através de comparações detalhadas, validamos nosso esquema de ML em relação aos dados de referência. O alto grau de concordância sugere que o uso de modelos de ML pode economizar muito tempo computacional. A partir dos resultados, também concluímos que p“O processo de aquecimento é um efeito importante que precisa ser melhor levado em consideração em simulações futuras”.
Conexão de experimentos futuros com observações espaciais
No futuro, o RHINE poderá permitir simulações mais detalhadas e, ao mesmo tempo, reduzir drasticamente os recursos computacionais necessários, dizem os pesquisadores. Estes modelos melhorados poderão eventualmente ajudar a ligar as experiências nas futuras instalações de investigação do FAIR com as observações dos astrónomos sobre explosões estelares e fusões de estrelas de neutrões.
O código-fonte do RHINE foi criado disponível publicamente para que outros pesquisadores possam desenvolver o trabalho. O projeto foi cofinanciado, entre outras organizações, pelo Conselho Europeu de Investigação (ERC).
