你可能也好奇过，宇宙中的金、铂、铀这些重元素究竟是从哪儿来的。科学界目前比较一致的看法是，它们主要诞生于中子星合并这类极端事件——但要把这个过程在电脑里原原本本地模拟出来，计算量却大得惊人。就在最近，一项发表在《Physical Review D》上的研究提供了一个新思路：用人工智能来绕开算力瓶颈。研究人员开发了一套名叫RHINE的机器学习模型，能够在流体动力学模拟运行的同时，快速估算核反应释放的能量，从而让原本需要大规模简化甚至省略的环节，有了被完整考虑的可能。
这看起来像是一场“效率”对“保真度”的漂亮补位，但也必然带出一个老问题：让AI代替一部分传统计算，究竟是更接近宇宙真相了，还是仅仅是换了种方式走捷径？回答这个疑问前，我们得先回到锻造重元素的那个“宇宙熔炉”里去看一眼。
许多化学元素并不仅仅靠恒星内部的核聚变产生。像铁之后的元素，要想继续“增重”，需要一种快得多的机制。天体物理学家把这种机制叫做快中子捕获过程，简称r过程。r过程发生的场景，往往是超新星爆发，或是两颗中子星撞在一起的那一刻。在这些事件中，自由中子密度极高，周围的原子核会在极短的瞬间内疯狂地“吃进”中子——快到有的原子核还没来得及吃撑就捕获了又一个中子。之后，其中一些被捕获的中子发生β衰变，转变成质子，把原子核的“身份证号”——原子序数推高，就这样跳跃式地生成了越来越重的原子核，直至形成金、铂之类的重元素。
听上去似乎逻辑清晰，但一旦想让计算机重现这些原子核的“饕餮现场”，麻烦就来了。要精准模拟每一个原子核在每一个时刻捕获了多少中子、发生了多少次衰变、释放了多少能量，这种逐粒子的微观计算会把计算量撑到连最先进的超级计算机也吃不消。所以，过去的研究中，理论学家们不得不咬咬牙，对模型做各种简化——比如用一些经验公式代替实际核反应网络，或者把加热过程用一种预先设定好的方式处理。GSI/FAIR的核天体物理研究员Oliver Just博士，也是此次论文的第一作者，就点明了这个困境：“全球的研究者都竭力让这些复杂反应变得能够通过理论模拟来理解。但要对所有参数建模，需要的计算力实在惊人，所以模型常常被迫简化。”
简化当然不等于错误，但它意味着某种程度的“近视”：我们对爆炸中能量释放的细节、物质抛射的精确速度，以及事后那片被称为“千新星”的璀璨光斑，都可能因为这一简化而产生偏离。而这，正是RHINE闯入视野的方式。
RHINE这个名字代表的是“r过程加热在流体动力学模拟中的神经网络实现”，它瞄准的恰恰是那个被频繁简化的环节——核反应过程中的能量释放，或者通俗一点说，“加热”该有多少。一般来说，在一场中子星合并的流体力学模拟里，每向前推进一步，计算机都需要知道刚才发生的那些核反应额外释放了多少能量，因为这股能量会怎么推着物质往外飞，直接决定了抛射物的速度、分布，并最终刻画成形形色色的千新星信号。传统做法是临时去问那套繁琐的核反应网络，算力立刻告急；而RHINE的做法则是让一个预先训练好的深度学习神经网络来替班——在模拟运行的间隙，迅速给出一个可靠的加热率估值，而不用每次都去重跑一遍完整的核反应计算。
换句话说，这有点像一个富有经验的厨师，不再次次都把整本菜谱从头翻到尾，而是在看清楚当前手里有几样食材后，凭多年的积累即刻决定该下多少料、开多大火。RHINE获得“经验”的方式，就是通过一个庞大的参考计算库进行训练。研究人员先用传统手段，对大量不同的条件组合做了详尽的核反应演算，得出一套涵盖了各种可能情况的加热率数据，然后再用这些数据去教神经网络如何根据当前模拟的局部条件，输出一个接近“正解”的加热值。
这种做法的直接收益是，模拟的效率可能大幅提升。因为它不必为每一个模拟中的空间网格、每一个时间步长都重复那种令人绝望的核反应网络计算，而是借助AI的快速推断，保持了模拟的连续性和全局感。与此同时，它也绕开了过去那些简化的经验公式，有机会更接近真实物理——毕竟，训练数据里藏着的是经过精密计算的核物理信息，而不是人为规定的粗线条。
那么，现在我们可以回到开头那个辩论性的问题上了：这是突破还是妥协？
支持突破的一方完全可以指出：RHINE在保证一定精度的前提下，让原来不可能纳入大规模流体力学模拟的微观核反应效应，有了被“同时在线”的可能。这直接关系到我们对千新星观测的解释能力。过去，人们通过望远镜捕捉到中子星合并后的光变曲线和光谱，但要想从中反推出这次合并到底抛出了多少物质、生成了哪些元素，就必须依赖理论模拟给出的对应关系。如果模拟中的加热过程不准确，反推的结论就难免走样。RHINE的介入，等于在算力依然有限、但希望用更多物理描述的需求之间，开了一条新路。这样一来，地球上的加速器实验所测得的核数据，与太空望远镜捕捉到的千新星辐射，就有机会被
热门跟贴