پژوهشگران با بهرهگیری از هوش مصنوعی و یادگیری ماشین، مدل جدیدی توسعه دادهاند که میتواند با دقت و سرعت بیشتری فرآیند شکلگیری برخی از سنگینترین عناصر جهان را شبیهسازی کند؛ عناصری مانند طلا، اورانیوم و بسیاری از عناصر سنگینتر از آهن که منشا آنها به رویدادهای فوقالعاده خشونتآمیز کیهانی بازمیگردد.
به گزارش ساینس دیلی، محققان مرکز تحقیقات هستهای و اخترفیزیکی GSI/FAIR آلمان به همراه همکاران بینالمللی خود موفق شدهاند برای نخستین بار یک شبکه عصبی مبتنی بر یادگیری عمیق را در شبیهسازیهای هیدرودینامیکی به کار بگیرند تا آزاد شدن انرژی در فرآیند نوکلئوسنتز r یا همان فرآیند جذب سریع نوترون (r-process) را مدلسازی کنند. نتایج این مطالعه در نشریه علمی Physical Review D منتشر شده است.
دانشمندان مدتهاست معتقدند که بسیاری از عناصر سنگین جهان در جریان انفجارهای عظیم ستارهای و بهویژه برخورد و ادغام ستارههای نوترونی تولید میشوند. در چنین محیطهایی مقادیر عظیمی از انرژی و نوترونهای آزاد وجود دارد که شرایط لازم را برای وقوع فرآیند r فراهم میکند.
در این فرآیند هستههای اتمی با سرعت بسیار بالا نوترون جذب میکنند. سپس بخشی از این نوترونها به پروتون تبدیل میشوند و به این ترتیب هستهها به تدریج سنگینتر شده و عناصر جدید و سنگینتری شکل میگیرند. این مکانیسم مسئول تولید بخش بزرگی از عناصر سنگینتر از آهن در جهان به شمار میرود.
با وجود اهمیت این فرآیندها شبیهسازی دقیق آنها یکی از دشوارترین مسائل اخترفیزیک مدرن است. مدلسازی تمام واکنشهای هستهای و پارامترهای فیزیکی مرتبط با آنها به توان محاسباتی بسیار بالایی نیاز دارد و همین مسئله باعث میشود پژوهشگران ناچار به سادهسازی مدلهای خود شوند.
اولیور جاست (Oliver Just) پژوهشگر بخش اخترفیزیک و ساختار هستهای در GSI/FAIR و نویسنده اصلی این مطالعه در این باره گفت: پژوهشگران سراسر جهان تلاش میکنند این واکنشهای بسیار پیچیده را از طریق شبیهسازیهای نظری درک کنند، اما مدلسازی تمامی پارامترها به قدرت پردازشی فوقالعاده زیادی نیاز دارد. به همین دلیل معمولا ناچار به سادهسازی مدلها هستیم. مدل جدید ما با نام RHINE که از هوش مصنوعی استفاده میکند، جایگزینی کارآمد برای این مشکل ارائه میدهد.
مدل جدید که RHINE (مخفف r-process Heating Implementation in Hydrodynamic Simulations with Neural Networks) نام دارد از فناوری یادگیری ماشین و شبکههای عصبی عمیق برای پیشبینی میزان انرژی آزادشده در واکنشهای هستهای طی فرآیند r استفاده میکند.
این انرژی آزادشده که به آن گرمایش ناشی از فرآیند r گفته میشود، نقش مهمی در رفتار مواد پرتابشده از انفجارهای کیهانی دارد. میزان این گرمایش میتواند بر سرعت حرکت مواد، نحوه توزیع جرم و همچنین سیگنالهای الکترومغناطیسی حاصل از این رویدادها تأثیر بگذارد.
یکی از مهمترین این سیگنالها کیلونواها هستند؛ پدیدههای درخشانی که پس از ادغام ستارههای نوترونی مشاهده میشوند و اطلاعات ارزشمندی درباره منشا عناصر سنگین در اختیار اخترشناسان قرار میدهند.
ژوی ژیونگ از دانشمندان بخش اخترفیزیک هستهای GSI/FAIR و از طراحان اصلی مدل یادگیری ماشین توضیح داد: ابتدا مدلهای یادگیری ماشین با استفاده از تعداد زیادی محاسبات مرجع که بر پایه مجموعه کاملی از واکنشهای هستهای انجام شدهاند آموزش داده میشوند. سپس این مدلها در شبیهسازیهای هیدرودینامیکی به کار گرفته میشوند تا نرخ گرمایش ناشی از فرآیند r را با صرف کمترین منابع محاسباتی تخمین بزنند.
به گفته پژوهشگران مقایسه نتایج RHINE با دادههای مرجع نشان داد که دقت این مدل بسیار بالا است و خروجیهای آن با محاسبات کامل هستهای همخوانی چشمگیری دارد.
نتایج تحقیق نشان میدهد استفاده از هوش مصنوعی میتواند زمان مورد نیاز برای انجام این نوع شبیهسازیهای پیچیده را بهطور چشمگیری کاهش دهد. این موضوع امکان اجرای مدلهای دقیقتر و گستردهتر را برای پژوهشگران فراهم میکند.
محققان همچنین دریافتند که گرمایش ناشی از فرآیند r تاثیر مهمی بر نتایج شبیهسازیها دارد و باید در مدلهای آینده با دقت بیشتری لحاظ شود.
پژوهشگران معتقدند RHINE میتواند نسل جدیدی از شبیهسازیهای اخترفیزیکی را امکانپذیر کند و به دانشمندان کمک کند ارتباط میان دادههای حاصل از آزمایشهای آینده در تاسیسات تحقیقاتی FAIR و مشاهدات نجومی مربوط به انفجارهای ستارهای و ادغام ستارههای نوترونی را بهتر درک کنند.
این دستاورد نشان میدهد که هوش مصنوعی نهتنها در حوزههای فناوری و صنعت بلکه در حل پیچیدهترین معماهای کیهانشناسی نیز به ابزاری قدرتمند تبدیل شده و میتواند به کشف منشا عناصر ارزشمندی مانند طلا، پلاتین و اورانیوم در جهان کمک کند.
انتهای پیام/