Der Ehering am Finger oder das Platin im Katalysator: Diese Elemente sind älter als die Erde und stammen aus Ereignissen, gegen die jede Explosion auf der Erde harmlos wirkt. Wo genau sie entstehen und wie der Prozess im Detail abläuft, gehört zu den großen offenen Fragen der Astrophysik. Ein internationales Team um den HFHF-Fellow Gabriel Martinez-Pinedo hat dafür nun ein neues Werkzeug entwickelt: RHINE, ein Simulationsmodell, das ein neuronales Netz einsetzt, um die Energiefreisetzung bei der Elemententstehung zu beschreiben. Es ist das erste Mal, dass Deep Learning für diese Aufgabe genutzt wird. Die Arbeit ist in Physical Review D erschienen.
Der Prozess, um den es geht, heißt r-Prozess – die Abkürzung steht für „rapid neutron capture", also schnellen Neutroneneinfang. Er läuft dort ab, wo für kurze Zeit unvorstellbar viele freie Neutronen zur Verfügung stehen, etwa wenn zwei Neutronensterne miteinander verschmelzen. Atomkerne schlucken dann Neutronen in derart rascher Folge, dass sie zwischendurch gar nicht zerfallen können. So entstehen zunächst extrem neutronenreiche, instabile Kerne, die anschließend schrittweise in stabile Elemente zerfallen. Am Ende dieser Kette stehen Gold, Platin oder Eisen.
Um zu verstehen, was in einem solchen Ereignis passiert, braucht man Simulationen – und hier beginnt das Problem. Eine realistische Rechnung muss die Strömung heißer Materie, die Gravitation und die Rolle der Neutrinos abbilden. Gleichzeitig müsste sie an jedem Punkt des Materials verfolgen, welche von tausenden Atomkernen gerade welche von zehntausenden Kernreaktionen durchlaufen. Beides zusammen übersteigt selbst die Kapazitäten heutiger Supercomputer bei weitem. In der Praxis wird deshalb kräftig vereinfacht. „Unser neues Modell RHINE, das mit künstlicher Intelligenz arbeitet, bietet eine effiziente Alternative", sagt Oliver Just, Erstautor der Studie und Wissenschaftler in der Forschungsabteilung „Nukleare Astrophysik & Struktur" bei GSI/FAIR.
Was dabei besonders leicht unter den Tisch fällt, ist ausgerechnet ein Effekt, der weitreichende Folgen hat: das r-Prozess-Heizen. Die frisch erzeugten instabilen Kerne zerfallen radioaktiv und geben dabei Energie an ihre Umgebung ab. Diese Wärme wirkt auf die Dynamik des ausgeschleuderten Materials zurück und verändert, wie schnell es sich ausbreitet. Und weil die Geschwindigkeitsverteilung darüber entscheidet, wie das Material leuchtet, hängt daran auch die elektromagnetische Strahlung, die Teleskope am Ende sehen: die sogenannte Kilonova, jenes Nachleuchten einer Neutronenstern-Verschmelzung, das erstmals 2017 zusammen mit einem Gravitationswellensignal beobachtet werden konnte. Man kann es sich so vorstellen: Das Licht, das wir von einer Kilonova empfangen, wird buchstäblich vom radioaktiven Zerfall der gerade erst entstandenen Elemente gespeist.
Genau an dieser Stelle setzt RHINE an, dessen Name für „r-process heating implementation in hydrodynamic simulations with neural networks" steht. Die Idee ist relativ einfach. Zunächst wird eine große Zahl von Referenzrechnungen mit dem vollständigen Satz an Kernreaktionen durchgeführt – das ist aufwendig, muss aber nur einmal geschehen. Mit diesen Daten wird ein neuronales Netz trainiert. Anschließend läuft das trainierte Netz in der hydrodynamischen Simulation mit und schätzt die Heizraten in Sekundenbruchteilen ab, statt sie jedes Mal neu auszurechnen. Es ist ein bisschen wie bei einer erfahrenen Köchin, die einem Gericht ansieht, wie lange es noch braucht, statt jedes Mal das Thermometer zu bemühen – nur dass die „Erfahrung" hier aus tausenden exakt durchgerechneten Vergleichsfällen stammt.
Ob so etwas verlässlich funktioniert muss natürlich überprüft werden. Zewei Xiong, der die Machine Learning-Modelle maßgeblich mitkonstruiert hat, und das Team haben das Verfahren detailliert gegen Referenzdaten validiert. Die Übereinstimmung fiel gut aus – und damit lassen sich enorme Mengen an Rechenzeit einsparen. Nebenbei brachte die Studie eine inhaltliche Erkenntnis: Das r-Prozess-Heizen ist kein vernachlässigbarer Effekt, sondern sollte in künftigen Modellierungen deutlich besser berücksichtigt werden.
Erfreulich für die Community: Der Quellcode von RHINE steht frei zur Verfügung, sodass Arbeitsgruppen weltweit ihn in ihre eigenen Simulationen einbauen können.
Für die HFHF ist das Ergebnis mehr als eine methodische Fingerübung. Der Forschungsschwerpunkt Nukleare Astrophysik lebt davon, dass Kernphysik und Astrophysik ineinandergreifen – und die Abteilung, aus der die Arbeit stammt, wird von HFHF-Direktor Gabriel Martínez-Pinedo geleitet. Der r-Prozess führt über Atomkerne, die auf der Erde extrem kurzlebig und schwer herzustellen sind; ihre Massen und Zerfallseigenschaften zu vermessen gehört zu den zentralen Zielen der künftigen Beschleunigeranlage FAIR. Modelle wie RHINE sind das Bindeglied, das solche Labordaten in astrophysikalische Simulationen überführt, die sich dann mit dem vergleichen lassen, was Teleskope und Gravitationswellendetektoren beobachten.
Originalpublikation: https://link.aps.org/doi/10.1103/gl2l-7f3g
RHINE-Quellcode: https://zenodo.org/records/15864447