Группа вычислительных астрофизиков из Центра по изучению тяжёлых ионов имени Гельмгольца (GSI, Германия) представила RHINE (R-process Heating Implementation with NEural networks) — инновационный метод интеграции нейронных сетей непосредственно в многомерные гидродинамические модели слияния нейтронных звёзд. Эта разработка позволяет устранить фундаментальную проблему, ставшую очевидной после фиксации события GW170817, когда астрономы впервые одновременно зарегистрировали гравитационные волны и электромагнитное излучение от столкновения звёзд.
Почему существующие модели были неточными
Событие GW170817 показало, что традиционные подходы к моделированию систематически упускают критически важные физические процессы. Ранее расчеты проводились в два этапа: сначала симулировалось столкновение без учёта ядерной физики, а затем, на основе полученных траекторий, отдельно рассчитывался нуклеосинтез. Исследователи отмечают, что такой подход внутренне противоречив.
В процессе быстрого захвата нейтронов (r-процесс), при котором формируются платина, золото и другие тяжёлые элементы, выделяется энергия порядка 2–3 МэВ на барион. Эта величина сопоставима с кинетической энергией самого вещества. Следовательно, энергия должна влиять на динамику выбросов непосредственно в момент их движения, а не рассчитываться постфактум.
Вычислительная сложность и решение от GSI
Основная трудность заключалась в том, что полное моделирование r-процесса требует решения уравнений для 3000 изотопов одновременно, что непосильно даже для современных суперкомпьютеров в рамках трёхмерных моделей. Простые параметризации, использовавшиеся ранее, приводили к значительным погрешностям из-за игнорирования локального состава вещества.
Метод RHINE меняет этот подход. Вместо слежения за тысячами изотопов система использует ключевые характеристики среды: массовые доли нейтронов, протонов, альфа-частиц и тяжёлых ядер, а также их средние значения по массе и энергии. Эти данные поступают в ансамбль из 16 нейросетей типа многослойного перцептрона (MLP). Каждая сеть, состоящая из двух скрытых слоёв по 30–50 нейронов, предсказывает скорость изменений состава и выделение энергии почти в реальном времени. Специальный блок коррекции гарантирует соблюдение фундаментальных законов сохранения массы и электрического заряда.
17 августа 2017 года в линзовидной галактике NGC 4993 впервые было зарегистрировано слияние двух нейтронных звёзд по сигналу гравитационных волн. Связанная с этим событием килоновая хорошо видна на снимке, полученном космическим телескопом «Хаббл».
Результаты и влияние на астрофизику
Для обучения RHINE авторы использовали 240 тысяч временных шагов, полученных из 5000 траекторий выбросов. Использование платформы PyTorch и оптимизатора ADAM позволило создать модель, в которой отклонение по выделившейся энергии в большинстве тестов не превышает 10% от «золотого стандарта» расчётов, при этом скорость моделирования возрастает в разы.
Практические результаты оказались впечатляющими:
- При моделировании выбросов вещества из аккреционного диска чёрной дыры учёт r-процесса показал увеличение средней скорости вещества на 40%, а его массы — на 20%.
- Дополнительная энергия позволяет материи эффективнее преодолевать гравитацию центрального объекта.
- Кривая блеска килоновой (вспышки после слияния) через 10 дней становится почти вдвое ярче, что критически важно для корректной интерпретации данных, полученных обсерваториями.
Код RHINE и обученные нейросети опубликованы в открытом доступе. Это предоставляет научному сообществу мощный инструмент для моделирования космических катастроф и подготовки к будущим наблюдениям гравитационно-волновых событий.
