Para peneliti telah mengembangkan simulasi berbasis kecerdasan buatan baru yang secara signifikan dapat meningkatkan pemahaman kita tentang bagaimana alam semesta menciptakan banyak elemen terberatnya. Dibuat oleh tim internasional di GSI/FAIR, model pembelajaran mesin ini memungkinkan para ilmuwan untuk mensimulasikan reaksi nuklir kompleks yang terjadi selama penggabungan bintang neutron dan peristiwa kekerasan bintang lainnya dengan jauh lebih efektif daripada sebelumnya. Temuan mereka dipublikasikan di jurnal Pemeriksaan fisikD.
AI meningkatkan simulasi pembentukan elemen berat
Banyak unsur kimia di alam semesta terbentuk selama peristiwa kosmik ekstrem, termasuk ledakan supernova dan penggabungan bintang neutron. Ledakan besar ini menghasilkan energi yang dibutuhkan untuk menghasilkan inti atom berat melalui proses yang dikenal sebagai penangkapan neutron cepat, atau R-proses.
Selama R-proses, inti atom dengan cepat menyerap neutron bebas. Beberapa dari neutron ini kemudian berubah menjadi proton, memungkinkan inti tumbuh dan akhirnya membentuk banyak unsur berat yang ditemukan di alam.
Mensimulasikan reaksi-reaksi ini merupakan salah satu tantangan terbesar dalam astrofisika nuklir, karena perhitungannya memerlukan daya komputasi yang besar.
“Para peneliti di seluruh dunia berupaya membuat reaksi kompleks ini dapat dipahami melalui simulasi teoretis. Namun, memodelkan semua parameter memerlukan daya komputasi yang luar biasa, itulah sebabnya model sering kali perlu disederhanakan,” kata Dr. Oliver Just, penulis pertama studi tersebut dan peneliti di Departemen Astrofisika dan Struktur Nuklir di GSI/FAIR. “Model RHINE baru kami, yang menggunakan kecerdasan buatan, menawarkan alternatif yang efektif.”
Pembelajaran mendalam mempercepat perhitungan nuklir yang kompleks
Sistem baru, disebut RHIN (R-implementasi proses pemanasan dalam simulasi hidrodinamik dengan jaringan saraf), mengandalkan pembelajaran mesin (ML), khususnya jaringan saraf pembelajaran mendalam, untuk memperkirakan jumlah energi yang dilepaskan selama reaksi nuklir di R-proses saat simulasi hidrodinamik sedang berjalan.
Pelepasan energi ini, yang sering disebut pemanasan, berperan penting dalam menentukan bagaimana materi dikeluarkan selama ledakan bintang. Hal ini dapat mempengaruhi kecepatan material yang dikeluarkan dan cahaya yang dihasilkan setelahnya. Dalam penggabungan bintang neutron, cahaya terang ini diamati sebagai kilonova.
Alih-alih melakukan setiap perhitungan nuklir selama setiap simulasi, AI pertama-tama dilatih menggunakan perpustakaan referensi perhitungan yang besar termasuk jaringan reaksi nuklir yang lengkap. Setelah dilatih, ia dapat memperkirakan laju pemanasan secara akurat hanya dengan sedikit upaya komputasi.
“Pertama, model ML dilatih menggunakan sejumlah besar perhitungan benchmark yang dihasilkan dengan serangkaian reaksi nuklir yang komprehensif. Selanjutnya, model tersebut diadopsi dalam simulasi hidrodinamik untuk memperkirakan laju pemanasan selama periode pemanasan. R-proses dengan sedikit usaha,” jelas Dr. Zewei Xiong, juga ilmuwan di departemen “Astrofisika dan Struktur Nuklir” GSI/FAIR dan pengembang utama model pembelajaran mesin.
“Melalui perbandingan mendetail, kami memvalidasi skema ML kami terhadap data benchmark. Tingginya tingkat kesepakatan menunjukkan bahwa penggunaan model ML dapat menghemat banyak waktu komputasi. Kami juga menyimpulkan dari hasil bahwa R-pemanasan proses merupakan efek penting yang sebaiknya diperhitungkan dalam pemodelan masa depan. »
Menghubungkan eksperimen masa depan dengan observasi kosmik
Para peneliti mengatakan RHINE dapat memungkinkan simulasi yang lebih rinci di masa depan sekaligus mengurangi sumber daya komputasi yang diperlukan secara signifikan. Model-model yang ditingkatkan ini pada akhirnya dapat membantu menghubungkan eksperimen di Pusat Penelitian FAIR yang akan datang dengan pengamatan para astronom terhadap ledakan bintang dan penggabungan bintang neutron.
Kode sumber RHINE telah dipublikasikan sehingga peneliti lain dapat mengembangkan karya mereka. Proyek ini didanai bersama, antara lain, oleh Dewan Riset Eropa (ERC).
