揭開「宇宙煉金術」之謎，AI 模型 RHINE 還原重元素誕生瞬間
宇宙中許多重元素的誕生過程一直以來都是天文物理學界的一大謎題。近日，來自德國 GSI/FAIR 的國際研究團隊開發出一款名為「RHINE」的全新人工智慧（AI）模擬模型，能大幅加速模擬中子星合併等劇烈天體事件中重元素的產生過程。這項突破性的研究成果有望幫助科學家，更有效率地將地球上的實驗與太空觀測相結合。
極端宇宙事件與「快速中子捕獲」的挑戰
金、鉑等宇宙中的重化學元素，多是在超新星爆炸或中子星合併等極端宇宙事件中鍛造而成。在這些巨大的爆炸中，極高的能量會引發「快速中子捕獲過程」（r-process）。在此過程中，原子核會迅速吸收自由中子，其中部分中子隨後轉化為質子，使原子核不斷變大，最終形成自然界中的各種重元素。
然而，由於模擬這些複雜的核反應需要極為龐大的計算資源，科學家過去在進行理論模擬時，往往必須簡化模型。
本研究第一作者、GSI/FAIR「核天體物理與結構」部門的研究員奧利弗·賈斯特博士（Dr. Oliver Just）指出：「全球研究人員一直致力於透過理論模擬來理解這些複雜反應，但模擬所有參數所需的運算能力令人望而卻步。而新開發的 AI 模型 RHINE，則提供了一個高效的替代方案。」
這套名為 RHINE（利用神經網路在流體動力學模擬中實現 r-process 加熱）的系統，核心在於機器學習（ML）技術，特別是深度學習類神經網路。它能在流體動力學模擬運行的同時，快速估算 r-process 核反應中所釋放的能量（即「加熱率」）。
這種能量釋放對於決定物質在恆星爆炸中如何被排出至關重要，它不僅會影響排出物質的速度，也會直接影響隨後產生的光芒──在中子星合併的案例中，這種耀眼的光芒即被觀測為「千新星」（kilonova）。
與傳統在每次模擬中都進行完整核計算的方法不同，RHINE 會先利用包含完整核反應網絡的大型參考計算數據庫進行訓練。訓練完成後，AI 僅需極小部分的運算資源，就能精準預測加熱率。
GSI/FAIR「核天體物理與結構」部門科學家、同時也是該機器學習模型主要開發者之一的 Zewei Xiong 博士解釋：「研究團隊先用大量完整核反應的參考計算來訓練機器學習模型，隨後將其應用於流體動力學模擬中，以極低的計算成本逼近 r-process 的加熱率。經過詳細對比，該機器學習方案與參考數據高度吻合，證實此方法能節省大量的計算時間，同時也表明未來的模擬研究應更妥善地將 r-process 加熱效應納入考量。」
連結地面實驗與太空觀測的未來橋梁
研究團隊表示，RHINE 不僅能顯著減少所需的運算資源，未來還能實現更精細的模擬。這些改進後的模型將有助於將未來 FAIR 研究設施的「地面實驗」，與天文學家對恆星爆炸和中子星合併的「觀測數據」進行對接。
為了促進學術界的共同進步，研究團隊已將 RHINE 的原始碼公開，供其他研究人員在此基礎上開展工作。該項目獲得了歐洲研究委員會（ERC）等機構的共同資助。
New AI model reveals how neutron star mergers forge heavy elements
AI-based simulation reveals how neutron star mergers forge heavy elements
（首圖為藝術家描繪的中子星合併場景，來源：GSI/FAIR）