新人工智能模型揭秘中子星相撞如何制造重元素

宇宙中许多重元素（如金、铂等）并非诞生于普通恒星内部，而是在极端天体事件中形成的——例如超新星爆炸或两颗中子星猛烈合并。这类事件释放巨大能量，驱动一种名为‘快中子俘获过程’（r-过程）的核反应：原子核在极短时间内连续捕获大量自由中子；部分中子随后转变为质子，使原子核不断增重，最终生成自然界中的多种重元素。然而，精确模拟整个r-过程极其困难，因为它涉及成千上万种核反应，传统计算需耗费海量超级计算机资源，因此现有模型往往不得不大幅简化，牺牲精度。为此，德国GSI/FAIR研究所团队研发了新型AI模型RHINE（全称：基于神经网络的流体动力学模拟中r-过程加热实现）。它采用深度学习技术，先用大量高精度参考计算数据训练神经网络，再在实际流体动力学模拟中实时估算r-过程中释放的能量（即‘加热效应’）。这种加热直接影响爆炸抛出物质的速度和后续发光强度——例如中子星合并后产生的明亮‘千新星’（kilonova），就由该加热过程主导。验证表明，RHINE的预测结果与标准参考数据高度吻合，计算效率提升显著。研究者指出，这一突破不仅能大幅节省算力，还能在未来把地面核物理实验（如即将建成的FAIR大科学装置）与天文观测（如引力波和千新星信号）更紧密地联系起来，推动我们真正理解‘宇宙炼金术’的全过程。RHINE开源代码已公开，供全球科研人员使用。