揭开“宇宙炼金术”之谜，AI模型RHINE还原重元素诞生瞬间
宇宙中许多重元素的诞生过程一直以来都是天文物理学界的一大谜题。近日，来自德国GSI/FAIR的国际研究团队开发出一款名为“RHINE”的全新人工智能（AI）模拟模型，能大幅加速模拟中子星合并等剧烈天体事件中重元素的产生过程。这项突破性的研究成果有望帮助科学家，更有效率地将地球上的实验与太空观测相结合。
极端宇宙事件与“快速中子捕获”的挑战
金、铂等宇宙中的重化学元素，多是在超新星爆炸或中子星合并等极端宇宙事件中锻造而成。在这些巨大的爆炸中，极高的能量会引发“快速中子捕获过程”（r-process）。在此过程中，原子核会迅速吸收自由中子，其中部分中子随后转化为质子，使原子核不断变大，最终形成自然界中的各种重元素。
然而，由于模拟这些复杂的核反应需要极为庞大的计算资源，科学家过去在进行理论模拟时，往往必须简化模型。
本研究第一作者、GSI/FAIR“核天体物理与结构”部门的研究员奥利弗·贾斯特博士（Dr.OliverJust）指出：“全球研究人员一直致力于通过理论模拟来理解这些复杂反应，但模拟所有参数所需的运算能力令人望而却步。而新开发的AI模型RHINE，则提供了一个高效的替代方案。”
这套名为RHINE（利用神经网络在流体动力学模拟中实现r-process加热）的系统，核心在于机器学习（ML）技术，特别是深度学习类神经网络。它能在流体动力学模拟运行的同时，快速估算r-process核反应中所释放的能量（即“加热率”）。
这种能量释放对于决定物质在恒星爆炸中如何被排出至关重要，它不仅会影响排出物质的速度，也会直接影响随后产生的光芒──在中子星合并的案例中，这种耀眼的光芒即被观测为“千新星”（kilonova）。
与传统在每次模拟中都进行完整核计算的方法不同，RHINE会先利用包含完整核反应网络的大型参考计算数据库进行训练。训练完成后，AI仅需极小部分的运算资源，就能精准预测加热率。
GSI/FAIR“核天体物理与结构”部门科学家、同时也是该机器学习模型主要开发者之一的ZeweiXiong博士解释：“研究团队先用大量完整核反应的参考计算来训练机器学习模型，随后将其应用于流体动力学模拟中，以极低的计算成本逼近r-process的加热率。经过详细对比，该机器学习方案与参考数据高度吻合，证实此方法能节省大量的计算时间，同时也表明未来的模拟研究应更妥善地将r-process加热效应纳入考量。”
连结地面实验与太空观测的未来桥梁
研究团队表示，RHINE不仅能显著减少所需的运算资源，未来还能实现更精细的模拟。这些改进后的模型将有助于将未来FAIR研究设施的“地面实验”，与天文学家对恒星爆炸和中子星合并的“观测数据”进行对接。
为了促进学术界的共同进步，研究团队已将RHINE的原始码公开，供其他研究人员在此基础上开展工作。该项目获得了欧洲研究委员会（ERC）等机构的共同资助。