宇宙中最重的元素从何而来？科学家们一直认为，这些元素诞生于宇宙中最剧烈的天体事件中，但要精确模拟这些过程却面临巨大挑战。如今，一个国际研究团队开发出一种基于机器学习的新模型，为理解这些元素的诞生机制提供了全新途径。
研究团队将深度学习神经网络首次引入流体动力学模拟，成功模拟了快速中子俘获过程（r过程）中释放的能量。这一突破性成果发表在《Physical Review D》期刊上，为研究重元素形成开辟了新方向。r过程是产生比铁更重元素的关键机制，在超新星爆发和中子星合并等极端环境中，原子核通过快速吸收中子并转化为质子，逐步形成更重的元素。
传统模拟方法面临计算能力瓶颈。研究团队成员解释称，完整模拟所有参数需要惊人的计算资源，因此现有模型不得不进行大量简化。新开发的RHINE模型（基于神经网络的流体动力学模拟中r过程加热的实现）通过机器学习提供了高效替代方案。该模型先利用全套核反应产生的参考数据训练神经网络，再将其应用于流体动力学模拟，以极低计算成本近似r过程加热速率。
验证结果显示，机器学习方案与参考数据高度吻合，可节省大量计算时间。研究人员特别指出，r过程加热对爆炸物质运动和电磁信号具有显著影响，这一效应在以往模型中常被低估。例如，中子星合并后观测到的千新星现象，其亮度变化就与r过程加热密切相关。
这项研究为连接实验室实验与天文观测搭建了桥梁。未来，RHINE模型有望实现更精细的模拟，帮助科学家将即将投入运行的FAIR设施实验数据，与恒星爆炸、中子星合并等天文观测结果进行对比分析。研究团队已公开RHINE源代码，并获得欧洲研究理事会共同资助，为全球科研人员提供了开放的研究工具。
宇宙诞生约138亿年来，重元素的形成机制始终是核天体物理领域的核心谜题。这项突破表明，机器学习正在成为破解宇宙奥秘的强大工具，为人类理解物质起源开辟了全新维度。
