Utilizando um modelo de simulação inovador baseado em aprendizado de máquina, uma equipe internacional de pesquisa do GSI/FAIR conseguiu obter uma compreensão mais profunda da formação de elementos em eventos estelares, como fusões de estrelas de nêutrons.
Pela primeira vez, os cientistas utilizaram aprendizado profundo com uma rede neural para modelar a liberação de energia durante a nucleossíntese do processo r em simulações hidrodinâmicas. Os resultados foram publicados na revista Physical Review D.
Ilustração artística da fusão de estrelas de nêutrons. Crédito: Dana Berry, SkyWorks Digital, Inc.
Muitos dos elementos químicos que conhecemos são criados em eventos estelares massivos, como explosões de estrelas ou fusões de estrelas de nêutrons. Esses eventos liberam quantidades incríveis de energia, permitindo a produção de nuclídeos pesados. Um processo fundamental de produção nuclear é o chamado processo de captura rápida de nêutrons , ou processo r, no qual nêutrons livres são capturados por núcleos existentes e convertidos em prótons — criando, assim, núcleos atômicos maiores e mais pesados.
"Pesquisadores do mundo todo se esforçam para tornar essas reações complexas compreensíveis por meio de simulações teóricas. No entanto, modelar todos os parâmetros exige um poder computacional incrível, e é por isso que os modelos muitas vezes precisam ser simplificados", disse o Dr. Oliver Just, primeiro autor da publicação e pesquisador do Departamento de Astrofísica Nuclear e Estrutura do GSI/FAIR. "Nosso novo modelo, RHINE, que utiliza inteligência artificial, oferece uma alternativa eficiente."
Como funciona o modelo RHINE
O RHINE (implementação do aquecimento do processo r em simulações hidrodinâmicas com redes neurais) utiliza aprendizado de máquina (ML) — especificamente, uma rede neural baseada em aprendizado profundo — para descrever a liberação de energia de reações nucleares no processo r em simulações hidrodinâmicas desses eventos. Esse "aquecimento" pode ter um impacto significativo na dinâmica e na distribuição de velocidade do material ejetado pela explosão e, portanto, também na radiação eletromagnética que, no caso de fusões de estrelas de nêutrons, pode ser observada como uma chamada kilonova .
Em 17 de agosto de 2017, na galáxia NGC 4993, a primeira colisão de duas estrelas de nêutrons pôde ser observada por meio de medições de ondas gravitacionais. A explosão estelar associada, uma kilonova, é visível nas observações do Telescópio Espacial Hubble. Crédito: NASA e ESA. Agradecimentos: AJ Levan (Universidade de Warwick), NR Tanvir (Universidade de Leicester), A. Fruchter e O. Fox (STScI).
Testando o potencial do modelo
"Primeiro, os modelos de aprendizado de máquina são treinados usando um grande número de cálculos de referência produzidos com um conjunto completo de reações nucleares. Posteriormente, os modelos são adotados na execução de simulações hidrodinâmicas para aproximar as taxas de aquecimento durante o processo r com o mínimo esforço", explicou o Dr. Zewei Xiong.
Ele também é cientista no Departamento de Astrofísica e Estrutura Nuclear do GSI/FAIR e desempenhou um papel fundamental no projeto dos modelos de aprendizado de máquina.
"Com comparações detalhadas, validamos nosso esquema de aprendizado de máquina em relação a dados de referência. O alto grau de concordância sugere que o uso de modelos de aprendizado de máquina pode economizar uma quantidade enorme de tempo de computação. Também deduzimos dos resultados que o aquecimento do processo r é um efeito importante que deve ser melhor considerado em modelagens futuras."
No futuro, graças ao uso do novo modelo RHINE, simulações mais detalhadas poderão ser realizadas, permitindo a conexão direta entre os resultados de experimentos na futura instalação FAIR e observações de explosões estelares e fusões de estrelas de nêutrons.
Phys.org
Nenhum comentário:
Postar um comentário