Yapay zeka altın ve uranyumun kozmik kökenini simüle edecek

Altın, uranyum ve benzeri ağır elementlerin evrende nasıl oluştuğu, astrofizik araştırmalarının en karmaşık başlıklarından biri olmaya devam ediyor. Mücevherattan ileri elektroniğe, nükleer yakıttan malzeme bilimine kadar geniş kullanım alanına sahip bu elementlerin kökeni, süpernova patlamaları ve nötron yıldızı birleşmeleri gibi yüksek enerjili olaylarla ilişkilendiriliyor. Bu süreçlerde serbest nötronların atom çekirdekleri tarafından hızla yakalanmasıyla daha ağır elementler oluşuyor. 'r-süreci' olarak bilinen bu nükleosentez zincirinin modellenmesi ise şimdiye kadar süper bilgisayarlar için yüksek işlem gücü ve zaman gerektiren zorlu bir hesaplama alanı olarak görülüyordu. Almanya merkezli GSI Helmholtzzentrum für Schwerionenforschung ve FAIR bünyesindeki uluslararası araştırma ekibi, bu alanda makine öğrenimi tabanlı RHINE adlı yeni bir model geliştirdi.

 

HESAPLAMA YÜKÜ AZALTILIYOR
Geleneksel astrofizik simülasyonlarında, ağır elementlerin oluşumuna yol açan nükleer reaksiyon zincirlerini tüm parametreleriyle modellemek büyük hesaplama gücü gerektiriyor. Atom çekirdeklerinin nötron yakalaması, bozunma süreçleri, enerji salınımı ve fırlatılan maddenin hareketi gibi birçok değişkenin aynı anda hesaplanması, araştırma merkezleri için ciddi bir işlem yükü oluşturuyor. Bu nedenle bilim insanları, bazı simülasyonlarda modelleri basitleştirmek veya belirli verileri dışarıda bırakmak zorunda kalabiliyor. GSI/FAIR araştırmacılarının geliştirdiği RHINE modeli, derin öğrenme sinir ağlarını hidrodinamik simülasyonlarla birleştirerek bu darboğazı azaltmayı amaçlıyor. Physical Review D dergisinde yayımlanan çalışmaya göre model, r-süreci sırasında ortaya çıkan ısıtma oranlarını çok daha hızlı biçimde hesaplayabiliyor.

 

RHINE MODELİ NASIL ÇALIŞIYOR?
RHINE, “hidrodinamik simülasyonlarda sinir ağlarıyla r-süreci ısıtması” anlamına gelen bir model olarak geliştirildi. Sistem, nükleer reaksiyonlar sırasında açığa çıkan enerjiyi ve bu enerjinin fırlatılan madde üzerindeki etkisini hesaplamak için makine öğreniminden yararlanıyor. Bu enerji salınımı, nötron yıldızı birleşmeleri sonrasında ortaya çıkan malzemenin hareketini, hız dağılımını ve kilonova olarak adlandırılan parlak astronomik olayların elektromanyetik sinyallerini doğrudan etkiliyor. Bu nedenle ısıtma oranlarının doğru hesaplanması, hem teorik simülasyonlar hem de gözlemsel verilerin yorumlanması açısından önem taşıyor. RHINE modeli, tam nükleer reaksiyon setleriyle üretilen referans hesaplamalar üzerinden eğitiliyor ve daha sonra bu karmaşık süreçleri düşük işlem maliyetiyle yaklaşık olarak hesaplayabiliyor.

 

REFERANS VERİLERLE UYUMLU SONUÇLAR
Modelin geliştirilmesinde görev alan araştırmacılar, makine öğrenimi tabanlı yöntemin referans hesaplamalarla yüksek düzeyde uyum sağladığını belirtiyor. Eğitim sürecinde kullanılan çok sayıda nükleer reaksiyon verisi, yapay zeka modelinin hidrodinamik simülasyonlarda r-süreci ısıtmasını hızlı biçimde tahmin etmesini sağlıyor. GSI/FAIR bünyesindeki Nükleer Astrofizik ve Yapı bölümünden Dr. Oliver Just, tüm parametreleri aynı anda modellemenin çok yüksek hesaplama gücü gerektirdiğini, bu nedenle geleneksel modellerin çoğu zaman basitleştirildiğini ifade etti. Just, yapay zeka kullanan RHINE modelinin bu alanda daha verimli ve düşük maliyetli bir alternatif sunduğunu belirtti. Çalışmada merkezi rol üstlenen Dr. Zewei Xiong da modelin saniyeler içinde yaklaşık hesaplama yapabildiğini ve araştırmacılara önemli ölçüde hesaplama zamanı kazandırabileceğini aktardı.

 

NÖTRON YILDIZI BİRLEŞMELERİNE YENİ BAKIŞ
RHINE modeli, özellikle nötron yıldızı birleşmeleri sırasında ağır elementlerin nasıl oluştuğunu anlamak için kullanılacak. Bu tür birleşmeler, evrendeki en yoğun ve şiddetli olaylar arasında yer alıyor. Çarpışma sırasında ortaya çıkan madde akışları, yüksek nötron yoğunluğu sayesinde altın ve uranyum gibi ağır elementlerin oluşmasına imkan sağlıyor. Ancak bu olayların çok kısa sürede gerçekleşmesi ve çok sayıda nükleer reaksiyonu aynı anda içermesi, simülasyonları son derece karmaşık hale getiriyor. RHINE, bu süreçlerin hidrodinamik modellerle birlikte daha hızlı analiz edilmesini sağlayarak, gözlemlerle teorik hesaplamalar arasındaki bağlantının güçlendirilmesine katkı sunabilir.

 

FAIR TESİSİYLE BAĞLANTI KURULACAK
Araştırma ekibi, RHINE modelinin gelecekte daha yüksek çözünürlüklü simülasyonlarda kullanılabileceğini belirtiyor. Modelin önemli kullanım alanlarından biri de FAIR tesisinde yapılacak deneylerden elde edilecek verilerle astronomik gözlemler arasında bağlantı kurmak olacak. FAIR’de yürütülecek fiziksel deneyler, yıldız patlamaları ve nötron yıldızı birleşmeleri gibi astrofiziksel olayların anlaşılmasına katkı sağlayacak. RHINE gibi yapay zeka destekli simülasyon araçları, bu deney verilerinin kozmik gözlemlerle karşılaştırılmasını hızlandırabilir. Böylece ağır elementlerin oluşumu, kilonova sinyalleri ve evrendeki madde döngüsü hakkında daha ayrıntılı modeller geliştirilebilecek.

 

ASTROFİZİKTE YAPAY ZEKA DÖNEMİ
GSI/FAIR liderliğinde geliştirilen RHINE modeli, yapay zekanın yalnızca veri analizi değil, temel fizik simülasyonlarında da giderek daha fazla rol üstlendiğini gösteriyor. Derin öğrenme modellerinin hidrodinamik hesaplamalara entegre edilmesi, ağır element oluşumu gibi yüksek işlem gücü gerektiren alanlarda yeni bir yöntem sunuyor. Bu yaklaşım, süper bilgisayar maliyetlerini azaltırken daha ayrıntılı ve daha hızlı simülasyonların önünü açabilir. RHINE, altın ve uranyum gibi ağır elementlerin kozmik kökenini anlamaya yönelik araştırmalarda, yapay zeka destekli yeni nesil astrofizik modellerinden biri olarak öne çıkıyor.