人工智能 (AI) 揭开宇宙重元素形成的奥秘

依托机器学习技术搭建的全新模拟框架，为科研人员揭开了宇宙最重一批化学元素的诞生机制。

首饰里的黄金、核燃料中的铀，以及宇宙绝大多数重元素究竟源自何处？学界普遍认为，这类元素诞生于宇宙最剧烈的高能天体事件，但完整精细模拟这一过程，长期受制于巨大的算力瓶颈。

如今，德国重离子研究中心（GSI/FAIR）的科研团队联合多国合作者，研发出一套机器学习模型，得以深度解析中子星并合等极端天体事件中的元素生成机制。团队首次将深度学习神经网络嵌入流体动力学模拟，精准还原快中子俘获过程（r过程）核合成阶段的能量释放规律。相关成果刊发于《物理评论D》期刊。

超新星爆发、中子星并合等高能天体活动会释放巨量能量与自由中子，催生快中子俘获过程（简称r过程），宇宙中绝大多数铁以上重元素均由此产生。在该过程中，原子核持续快速捕获中子，中子再逐步转化为质子，不断构建出原子序数越来越大的重元素。

论文第一作者、GSI/FAIR核天体物理与物质结构研究所奥利弗·尤斯特博士表示：“全球天体物理学家都在借助理论模拟解析这套复杂核反应，但完整代入全部物理参数会产生难以承受的计算负荷，以往模型只能大幅简化处理。我们全新研发的RHINE人工智能框架，提供了高效的替代方案。”

RHINE框架：深度学习求解r过程热效应
RHINE全称“基于神经网络、嵌入流体动力学模拟的r过程热演化计算程序”，它利用深度学习神经网络，在流体动力学仿真中复现r过程核反应释放的能量。这种能量释放被称作热效应，会显著改变天体爆发抛射物的运动状态与速度分布，同时影响事件产生的各类电磁信号，中子星并合后观测到的千新星信号就受其调控。

主导机器学习模型设计的GSI/FAIR核天体物理与物质结构研究所熊泽伟博士解释：“我们先用完整核反应方程组生成海量基准计算数据训练机器学习模型；再将训练完成的模型接入流体动力学模拟，以极低算力开销精准估算r过程全程的产热速率。”

“我们通过多组对照验证，证实机器学习计算结果与基准高精度模拟高度吻合。这套方案能大幅缩减模拟所需算力。同时数据证明，r过程热效应是不可忽略的关键物理项，未来所有相关模拟都必须纳入该效应。”

研究团队表示，RHINE框架能够支撑更高精度的天体演化模拟，打通新一代FAIR加速器地面实验数据与恒星爆发、中子星并合天文观测结果之间的关联。

图1：中子星并合艺术想象图（图源：Dana Berry，SkyWorks Digital）
图2：2017年8月17日，人类借助引力波探测，在透镜星系NGC 4993内首次观测到双中子星并合事件。该事件伴随的恒星爆发现象——千新星，在哈勃空间望远镜影像中清晰显现。哈勃持续六天观测记录下千新星亮度逐步衰减的全过程（附图小图）。图源：NASA,ESA
图3：研究团队先采用包含数千种同位素的高精度核合成计算数据集训练机器学习模型；再将训练完成的模型用于预测流体动力学模拟过程中任意状态下的核能释放速率。该方案规避了核合成计算与流体动力学模拟直接耦合带来的海量算力消耗问题。图源：O.尤斯特、熊泽伟、G.马丁内斯-皮内多，德国重离子研究中心/反质子与离子研究装置（GSI/FAIR）

Reference: “r-process heating implementation in hydrodynamic simulations with neural networks” by Oliver Just, Zewei Xiong and Gabriel Martínez-Pinedo, 16 April 2026, Physical Review D. DOI： 10.1103/gl2l-7f3g
From SciTechDaily newsletter.