KI simuliert Sternenexplosionen und Elemententstehung

Das Universum produziert seine schwersten Elemente nicht im Urknall, sondern in gewaltigen Sternenexplosionen. Wenn zwei Neutronensterne – extrem dichte Überreste ausgebrannter Sonnen – miteinander verschmelzen, entstehen dabei Elemente wie Gold, Platin oder Uran. Der Prozess heißt schneller Neutroneneinfang, kurz r-Prozess: Atomkerne schnappen sich in Sekundenbruchteilen freie Neutronen, wandeln diese in Protonen um und werden so immer schwerer. Bislang war die Simulation dieser Reaktionen eine der größten Herausforderungen der Astrophysik, weil die Berechnungen immense Rechenleistung verschlingen. Ein internationales Team am GSI Helmholtzzentrum für Schwerionenforschung in Darmstadt hat nun eine Lösung gefunden: ein KI-Modell namens RHINE, das auf maschinellem Lernen basiert. RHINE steht für „r-process heating implementation in hydrodynamic simulations with neural networks“ – also eine Methode, die die Energie freisetzung während des r-Prozesses mit einem neuronalen Netz schätzt. Statt jede einzelne Kernreaktion während der Simulation durchzurechnen, wird die KI vorab mit einem umfangreichen Referenzdatensatz trainiert. Im laufenden Modell liefert sie dann die Heizraten mit einem Bruchteil des ursprünglichen Aufwands. Die Ergebnisse, veröffentlicht in der Fachzeitschrift Physical Review D, zeigen eine hohe Übereinstimmung mit den Referenzdaten. „Der Einsatz von KI-Modellen kann enorm viel Rechenzeit sparen“, sagt Dr. Zewei Xiong, einer der Hauptentwickler. Die Energie freisetzung – die Heizung – beeinflusst maßgeblich, wie schnell Materie bei einer Sternenexplosion ausgestoßen wird und wie hell das Nachglühen, die sogenannte Kilonova, leuchtet. Bisher mussten Forscher hier oft vereinfachen. RHINE erlaubt nun realistischere Simulationen. Die Forscher hoffen, damit künftig Beobachtungen von Neutronenstern-Verschmelzungen mit Experimenten an der neuen FAIR-Beschleunigeranlage in Darmstadt zu verknüpfen. Der Quellcode von RHINE ist öffentlich zugänglich, sodass andere Wissenschaftler darauf aufbauen können. Das Projekt wurde unter anderem vom Europäischen Forschungsrat gefördert.