الذكاء الاصطناعي يكشف أسرار كيفية تشكيل أثقل العناصر في الكون

تمنح المحاكاة المدعمة بالتعلم الآلي للباحثين نافذة جديدة على العمليات التي تخلق بعضًا من أثقل العناصر في الكون.

من أين يأتي الذهب الموجود في المجوهرات، واليورانيوم الموجود في الوقود النووي، والعديد من العناصر الثقيلة في الكون؟ ويعتقد العلماء أنها تشكلت في بعض الأحداث الأكثر عنفًا في الكون، لكن محاكاة هذه العمليات بالتفصيل تظل تحديًا حسابيًا كبيرًا.

الآن، طور الباحثون في GSI/FAIR والمتعاونون الدوليون معهم نموذجًا قائمًا على التعلم الآلي يوفر نظرة أعمق حول كيفية تشكل العناصر أثناء الأحداث المتطرفة مثل نجم نيوتروني عمليات الدمج. ولأول مرة، قام الفريق بدمج شبكة عصبية للتعلم العميق في عمليات المحاكاة الهيدروديناميكية لنمذجة الطاقة المنطلقة أثناء عملية التخليق النووي. ونشرت النتائج التي توصلوا إليها في المراجعة البدنية د.

يتم إنشاء العديد من العناصر الكيميائية في الأحداث الفيزيائية الفلكية القوية، بما في ذلك انفجارات المستعرات الأعظم واندماج النجوم النيوترونية. تولد هذه البيئات كميات هائلة من الطاقة والنيوترونات الحرة، مما يتيح عملية التقاط النيوترونات السريعة، أو عملية r، المسؤولة عن إنتاج العديد من العناصر الأثقل من الحديد. خلال هذه العملية، تمتص النوى الذرية بسرعة النيوترونات التي تتحول لاحقًا إلى بروتونات، مما يؤدي إلى بناء عناصر أثقل بشكل متزايد.

يقول الدكتور أوليفر جاست، المؤلف الأول للنشرة والباحث في قسم “الفيزياء الفلكية النووية والبنية” في GSI/FAIR: “يسعى الباحثون في جميع أنحاء العالم إلى جعل هذه التفاعلات المعقدة مفهومة من خلال المحاكاة النظرية. ومع ذلك، فإن نمذجة جميع المعلمات تتطلب قوة حاسوبية مذهلة، ولهذا السبب غالبًا ما يتعين تبسيط النماذج”. “نموذجنا الجديد RHINE، الذي يستخدم الذكاء الاصطناعييقدم بديلاً فعالاً.”

يستخدم RHINE التعلم العميق لتسخين عملية r

يتم تطبيق RHINE (تطبيق التسخين بعملية r في عمليات المحاكاة الهيدروديناميكية مع الشبكات العصبية). التعلم الآلي، على وجه التحديد شبكة عصبية للتعلم العميق، لتمثيل الطاقة الصادرة عن التفاعلات النووية أثناء عملية r ضمن عمليات المحاكاة الهيدروديناميكية. يمكن أن يؤثر إطلاق الطاقة هذا، المعروف بالتسخين، بشكل كبير على حركة وتوزيع سرعة المواد المقذوفة أثناء الانفجار. ويمكن أن يؤثر أيضًا على الإشارات الكهرومغناطيسية التي تنتجها هذه الأحداث، بما في ذلك الكيلونوفا التي تم رصدها بعد اندماج النجوم النيوترونية.

“أولاً، يتم تدريب نماذج التعلم الآلي باستخدام عدد كبير من الحسابات المرجعية المنتجة مع مجموعة كاملة من التفاعلات النووية. وبعد ذلك، يتم اعتماد النماذج في تشغيل عمليات المحاكاة الهيدروديناميكية لتقريب معدلات التسخين أثناء صأوضح الدكتور زيوي شيونغ، العالم في قسم الفيزياء الفلكية النووية والبنية التابع لـ GSI/FAIR والذي لعب دورًا مركزيًا في تصميم نماذج التعلم الآلي: “العملية بأقل جهد”.

“من خلال مقارنات تفصيلية، قمنا بالتحقق من صحة مخطط تعلم الآلة الخاص بنا مقابل البيانات المرجعية. وتشير الدرجة العالية من الاتفاق إلى أن استخدام نماذج تعلم الآلة يمكن أن يوفر قدرًا هائلاً من وقت الحوسبة. واستنتجنا أيضًا من النتائج أن صيعد تسخين العملية تأثيرًا مهمًا يجب مراعاته بشكل أفضل في النمذجة المستقبلية.

ويقول الباحثون إن RHINE يمكن أن يتيح عمليات محاكاة أكثر تفصيلاً في المستقبل، مما يساعد على ربط نتائج التجارب في منشأة FAIR القادمة مع الملاحظات الفلكية للانفجارات النجمية واندماجات النجوم النيوترونية.

المرجع: “تنفيذ عملية التسخين r في عمليات المحاكاة الهيدروديناميكية باستخدام الشبكات العصبية” بقلم أوليفر جاست وزيوي شيونغ وغابرييل مارتينيز بينيدو، 16 أبريل 2026، المراجعة البدنية د.
دوى: 10.1103/gl2l-7f3g

كود مصدر RHINE متاح للاستخدام العام. ومن بين أمور أخرى، شارك في تمويل المشروع مجلس البحوث الأوروبي (ERC).

لا تفوت أي اختراق: انضم إلى النشرة الإخبارية SciTechDaily.
تابعونا على جوجل و أخبار جوجل.