Neuronale Netze modellierten die Entstehung von Gold und Platin im Universum

Astrophysiker des GSI Helmholtzzentrums für Schwerionenforschung (Deutschland) konnten mithilfe neuronaler Netze die Entstehung schwerer Elemente bei Neutronensternkollisionen in Echtzeit modellieren. Diese neue Methode namens RHINE eröffnet eine neue Ära bei der Nutzung von KI-Fähigkeiten zur Erforschung der komplexesten physikalischen Prozesse im Universum. Dies berichtet Ixbt.com berichtet .

Die Entstehung von Gold, Platin und vielen anderen Schwermetallen im Universum hängt mit der Kollision von Neutronensternen zusammen — dem r-Prozess (schneller Neutroneneinfang). Bisher standen Wissenschaftler bei der Berechnung dieses Prozesses vor großen Schwierigkeiten. Der Grund dafür war, dass die Leistung bestehender Supercomputer nicht ausreichte, um die Wechselwirkungen von etwa 3000 verschiedenen Isotopen gleichzeitig zu berechnen.

Fehler in traditionellen Methoden wurden behoben

Früher wurden solche Simulationen in zwei Schritten durchgeführt: Zuerst wurde die Kollision selbst modelliert und dann wurden die Kernreaktionen separat berechnet. Laut ixbt.com war dieser Ansatz jedoch ungenau, da er den Einfluss der freigesetzten Energie auf die Bewegung der Materie nicht berücksichtigte. Die RHINE-Methode hat diese beiden Prozesse mithilfe neuronaler Netze kombiniert.

Die Forscher erstellten ein Ensemble aus 16 spezialisierten neuronalen Netzen. Anstatt Tausende von Isotopen zu verfolgen, analysieren sie einige grundlegende physikalische Eigenschaften der Umgebung — die Anteile von Neutronen, Protonen und schweren Kernen. Dies erhöhte die Rechengeschwindigkeit um ein Vielfaches und brachte den Prozess in den Bereich der Echtzeit.

Praktische Bedeutung der Entdeckung

Tests mit dem neuen Modell lieferten unerwartete Ergebnisse. Wenn die beim r-Prozess freigesetzte Energie berücksichtigt wird, zeigt sich, dass die durchschnittliche Geschwindigkeit der ins All geschleuderten Materie um 40 Prozent und ihre Masse um 20 Prozent zunimmt. Diese Energie hilft der Materie, die Gravitation des zentralen Objekts (Schwarzes Loch) zu überwinden.

Darüber hinaus ermöglichen die durch das neuronale Netz gewonnenen Daten eine genauere Vorhersage der Helligkeit einer Kilonova — des Leuchtens, das nach Neutronensternkollisionen auftritt. Berechnungen zufolge wird ein solches Leuchten 10 Tage nach der Kollision doppelt so hell sein wie bisher angenommen. Dies hilft Astronomen, bei der Beobachtung von Ereignissen wie GW170817 durch Teleskope präzisere Daten zu erhalten.

Derzeit wurden der RHINE-Code und die neuronalen Netzwerkmodelle als Open Source veröffentlicht. Dies dient Wissenschaftlern weltweit als neues Werkzeug, um die geheimnisvollsten Prozesse im Universum zu erforschen und Daten zukünftiger Gravitationswellen-Observatorien zu analysieren. Diese Technologie wurde auf der PyTorch-Plattform trainiert und ist ein glänzendes Beispiel für die erfolgreiche Integration von moderner Astrophysik und KI.