Redes neuronales modelaron el proceso de formación de oro y platino en el universo

Astrofísicos del Centro de Investigación de Iones Pesados (GSI, Alemania) han logrado modelar en tiempo real la formación de elementos pesados como resultado de la colisión de estrellas de neutrones mediante redes neuronales. Este nuevo método, llamado RHINE, abre una nueva era en el uso de la AI para estudiar los procesos físicos más complejos del universo. Así lo informa Ixbt.com informa .

La aparición de oro, platino y muchos otros metales pesados en el universo está ligada precisamente a la colisión de estrellas de neutrones: el proceso r (captura rápida de neutrones). Hasta ahora, los científicos enfrentaban grandes dificultades para calcular este proceso, ya que la potencia de las supercomputadoras existentes no era suficiente para calcular simultáneamente la interacción de unos 3000 isótopos diferentes.

Se eliminaron los errores de los métodos tradicionales

Anteriormente, tales simulaciones se realizaban en dos etapas: primero se modelaba la colisión y luego se calculaban las reacciones nucleares por separado. Sin embargo, según Ixbt.com, este enfoque era incorrecto, ya que no tenía en cuenta la influencia de la energía liberada en el movimiento de la materia. El método RHINE, mediante redes neuronales, combinó ambos procesos.

Los investigadores crearon un conjunto de 16 redes neuronales especializadas. En lugar de rastrear miles de isótopos, analizan algunas características físicas clave del entorno: la proporción de neutrones, protones y núcleos pesados. Esto aumentó la velocidad de cálculo varias veces, acercando el proceso al tiempo real.

Importancia práctica del descubrimiento

Las pruebas realizadas con el nuevo modelo arrojaron resultados inesperados. Al tener en cuenta la energía liberada por el proceso r, se descubrió que la velocidad media de la materia expulsada al universo aumenta un 40 % y su masa un 20 %. Esta energía ayuda a la materia a superar la gravedad del objeto central (agujero negro).

Además, los datos obtenidos mediante la red neuronal permiten predecir con mayor precisión el brillo de una kilonova, el destello que ocurre tras la colisión de estrellas de neutrones. Según los cálculos, 10 días después de la colisión, dicho destello será el doble de brillante de lo que se estimaba anteriormente. Esto ayudará a los astrónomos a obtener datos más precisos al observar eventos como GW170817 a través de telescopios.

Actualmente, el código RHINE y los modelos de redes neuronales están disponibles para acceso abierto. Esto servirá como una nueva herramienta para que científicos de todo el mundo estudien los procesos más misteriosos del universo y analicen datos de futuros observatorios de ondas gravitacionales. Esta tecnología fue entrenada en la plataforma PyTorch y es un brillante ejemplo de la integración exitosa de la astrofísica moderna y la AI.