Купон на скидку: 2026
Группа вычислительных астрофизиков из Центра по изучению тяжёлых ионов имени Гельмгольца (GSI, Германия) представила метод RHINE (R‑process Heating Implementation with NEural networks) — первую систему, применяющую нейросети непосредственно внутри многомерных гидродинамических симуляций слияния нейтронных звёзд. Разработка нацелена на устранение систематических ошибок, ставших очевидными после регистрации события GW170817 — первого в истории слияния нейтронных звёзд, наблюдавшегося одновременно в гравитационных волнах и электромагнитном излучении.
До появления RHINE моделирование подобных событий обычно выполнялось в два несвязанных этапа: сначала рассчитывалась динамика столкновения без учёта ядерных реакций, и лишь после завершения симуляции вдоль полученных траекторий отдельно просчитывался нуклеосинтез. Авторы называют такой подход внутренне противоречивым, поскольку энергия, выделяющаяся в ходе быстрого захвата нейтронов (r-процесса), достигает 2–3 МэВ на барион и сравнима с кинетической энергией выбрасываемого вещества. Это означает, что ядерный нагрев должен влиять на движение вещества прямо во время расчёта.
Прямой учёт r-процесса требует одновременного решения системы уравнений примерно для 3000 изотопов, что практически несовместимо с современными трёхмерными гидродинамическими моделями. Попытки заменить такие расчёты простыми параметризациями приводили к заметным ошибкам, поскольку игнорировали локальные изменения состава вещества. В методе RHINE вместо тысяч отдельных изотопов используются несколько макроскопических характеристик среды: массовые доли нейтронов, протонов, альфа-частиц и тяжёлых ядер, среднее массовое число тяжёлых ядер и средний избыток массы на барион. Эти параметры подаются на вход ансамбля из 16 специализированных нейросетей типа многослойного перцептрона, каждая из которых содержит два скрытых слоя по 30–50 нейронов и предсказывает скорость изменения состава и выделения энергии практически в реальном времени. Входные данные автоматически нормализуются и масштабируются, а после вычислений специальный блок коррекции строго соблюдает законы сохранения массы и электрического заряда.
Для обучения нейросетей использовались результаты полных расчётов ядерных сетей — современного «золотого стандарта» моделирования нуклеосинтеза. Обучающая выборка включала 240 тысяч временных шагов, сформированных на основе 5000 траекторий выбросов вещества при слиянии нейтронных звёзд. Обучение велось на платформе PyTorch с оптимизатором ADAM в течение 2–10 тысяч эпох; каждая модель требовала порядка 100 часов процессорного времени. Тестирование на сценариях, не входивших в обучающий набор, показало, что отклонение по выделившейся энергии в большинстве случаев не превышает 10% относительно полных расчётов, а интеграция RHINE увеличивает время гидродинамической симуляции всего в 1,3–2,1 раза — на порядки быстрее прямого расчёта тысяч ядерных реакций.
Практический эффект оказался значительным. При моделировании выбросов вещества из аккреционного диска вокруг образующейся чёрной дыры — выбросов, которые покидают систему спустя секунды после слияния и движутся заметно медленнее динамических, — учёт энергии r-процесса увеличил среднюю скорость вещества примерно на 40%, а его массу примерно на 20%. Дополнительная энергия помогает веществу преодолеть гравитацию центрального объекта и покинуть диск. Хотя химический состав при этом изменился сравнительно мало, влияние на электромагнитное излучение оказалось куда сильнее: расчёты показали, что килоновая примерно через 10 дней после столкновения становится почти вдвое ярче, если учитывать динамическую обратную связь r-процесса. Это особенно важно для интерпретации наблюдений, подобных GW170817: 17 августа 2017 года в линзовидной галактике NGC 4993 было впервые зарегистрировано слияние двух нейтронных звёзд по сигналу гравитационных волн, и связанная с этим событием килоновая хорошо видна на снимке, полученном космическим телескопом «Хаббл».
Код RHINE и обученные нейросети опубликованы в открытом доступе, что позволит другим научным группам встраивать систему в собственные модели слияний нейтронных звёзд и проверять её на будущих наблюдениях, предоставляя инструмент для значительно более точного моделирования процессов нуклеосинтеза и их наблюдательных проявлений.