Un nuevo modelo de IA revela cómo las fusiones de estrellas de neutrones crean elementos pesados

Investigadores desarrollaron una nueva simulación impulsada por inteligencia artificial (IA) que podría mejorar significativamente la comprensión de cómo el universo genera muchos de sus elementos más pesados. Creada por un equipo internacional en GSI Helmholtzzentrum für Schwerionenforschung GmbH, el modelo de aprendizaje automático permite a los científicos simular las complejas reacciones nucleares que ocurren durante las fusiones de estrellas de neutrones y otros eventos estelares violentos de manera mucho más eficiente que antes. Sus hallazgos se publicaron en la revista Physical Review D.

La IA mejora las simulaciones de la formación de elementos pesados

Muchos de los elementos químicos que se encuentran en todo el universo se forjan durante eventos cósmicos extremos, como explosiones de supernovas y fusiones de estrellas de neutrones. Estas enormes explosiones generan la energía necesaria para producir núcleos atómicos pesados a través de un proceso conocido como captura rápida de neutrones, o r-proceso.

Durante el r-proceso, los núcleos atómicos absorben rápidamente neutrones libres. Algunos de esos neutrones se transforman en protones, lo que permite que los núcleos crezcan y eventualmente formen muchos de los elementos pesados que se encuentran en la naturaleza.

Simular estas reacciones es uno de los mayores desafíos en la astrofísica nuclear, ya que los cálculos requieren una enorme potencia de computación.

"Los investigadores de todo el mundo se esfuerzan por hacer que estas complejas reacciones sean comprensibles a través de simulaciones teóricas. Sin embargo, modelar todos los parámetros requiere una increíble potencia de cálculo, lo que a menudo obliga a simplificar los modelos", comentó Dr. Oliver Just, primer autor del estudio y investigador en el departamento de "Astrofísica Nuclear y Estructura" en GSI/FAIR. "Nuestro nuevo modelo RHINE, que utiliza inteligencia artificial, ofrece una alternativa eficiente."

El aprendizaje profundo acelera cálculos nucleares complejos

El nuevo sistema, llamado RHINE (implementación de calentamiento del r-proceso en simulaciones hidrodinámicas con redes neuronales), se basa en el aprendizaje automático, específicamente en una red neuronal de aprendizaje profundo, para estimar cuánta energía se libera durante las reacciones nucleares en el r-proceso mientras se ejecutan las simulaciones hidrodinámicas.

Esta liberación de energía, a menudo llamada calentamiento, juega un papel importante en la determinación de cómo se expulsa la materia durante las explosiones estelares. Puede influir tanto en la velocidad del material eyectado como en la luz producida posteriormente. En las fusiones de estrellas de neutrones, ese brillante resplandor se observa como una kilonova.

En lugar de realizar cada cálculo nuclear durante cada simulación, la IA se entrena primero utilizando una extensa biblioteca de cálculos de referencia que incluyen redes completas de reacciones nucleares. Una vez entrenada, puede estimar con precisión las tasas de calentamiento con solo una fracción del esfuerzo computacional.

"Primero, los modelos de aprendizaje automático se entrenan utilizando un gran número de cálculos de referencia producidos con un conjunto completo de reacciones nucleares. Posteriormente, los modelos se adoptan en simulaciones hidrodinámicas para aproximar las tasas de calentamiento durante el r-proceso con un esfuerzo mínimo", explicó Dr. Zewei Xiong, también científico en el departamento de "Astrofísica Nuclear y Estructura" de GSI/FAIR y desarrollador clave de los modelos de aprendizaje automático.

"Con comparaciones detalladas, validamos nuestro esquema de aprendizaje automático contra datos de referencia. El alto grado de acuerdo sugiere que el uso de modelos de aprendizaje automático puede ahorrar una cantidad tremenda de tiempo de cálculo. También dedujimos de los resultados que el calentamiento del r-proceso es un efecto importante que debería ser mejor considerado en futuros modelos."

Conectando experimentos futuros con observaciones cósmicas

Los investigadores afirmaron que RHINE podría permitir simulaciones mucho más detalladas en el futuro, al mismo tiempo que reduce drásticamente los recursos computacionales requeridos. Esos modelos mejorados podrían eventualmente ayudar a conectar experimentos en la próxima instalación de investigación FAIR con observaciones de explosiones estelares y fusiones de estrellas de neutrones realizadas por astrónomos.

El código fuente de RHINE se ha hecho disponible públicamente para que otros investigadores puedan construir sobre este trabajo. El proyecto fue cofinanciado, entre otras organizaciones, por el Consejo Europeo de Investigación (ERC).

Temas