Килоновая выходит в реальное время: нейросеть RHINE удвоила яркость в симуляциях

Немецкие астрофизики показали RHINE — нейросетевую систему, которую можно встроить прямо в трёхмерные симуляции слияния нейтронных звёзд. Она считает энерговыделение от r-процесса не после прогона, а прямо во время расчёта. Для такой области это редкая роскошь: обычно приходится выбирать либо между физикой, либо между приемлемым временем на суперкомпьютере.

И вот тут эффект оказался совсем не косметическим. В тестах килоновая, то есть вспышка после слияния нейтронных звёзд, примерно через 10 дней становилась почти вдвое ярче, если учитывать обратное влияние r-процесса на движение вещества. Скорость выбросов из аккреционного диска вокруг формирующейся чёрной дыры подрастала примерно на 40%, масса выброшенного вещества — на 20%.

Проблема тянется ещё с 2017 года, когда событие GW170817 впервые показало слияние нейтронных звёзд и в гравитационных волнах, и в обычном свете. Столкновение в галактике NGC 4993, примерно в 130 млн световых лет от нас, стало ориентиром для всей темы. По нему астрономы всерьёз связали килоновые с рождением тяжёлых элементов вроде золота и платины. Но вместе с этим всплыл и слабый участок старых моделей.

Раньше расчёт обычно разбивали на два этапа. Сначала считали само слияние и разлёт вещества, а ядерные реакции добавляли потом, отдельно, уже по готовым траекториям. Авторы RHINE называют такой подход внутренне противоречивым: r-процесс даёт 2—3 МэВ на барион, а это уже величина того же порядка, что и кинетическая энергия выбрасываемого вещества. То есть ядерная физика тут не может сидеть в послесловии. Она меняет саму динамику.

Но полный расчёт r-процесса — это примерно 3000 изотопов, за которыми нужно следить одновременно. Для современных многомерных гидродинамических моделей такая нагрузка слишком тяжёлая. Упрощённые схемы пробовали не раз, но у них вылезали систематические ошибки: они плохо ловили локальные изменения состава вещества.

Как устроен RHINE

RHINE уходит от тысяч изотопов к небольшому набору параметров среды. На вход подаются массовые доли нейтронов, протонов, альфа-частиц и тяжёлых ядер, а также среднее массовое число тяжёлых ядер и средний избыток массы на барион. Этого хватает, чтобы описать состояние вещества достаточно подробно и не раздувать вычисления до абсурда.

Дальше в работу включаются 16 специализированных нейросетей типа многослойного перцептрона. У каждой по два скрытых слоя на 30—50 нейронов. Они предсказывают, как меняется состав вещества и сколько энергии выделяется почти в реальном времени. Потом отдельный корректирующий блок проверяет, чтобы модель не ломала базовую физику, включая законы сохранения массы и электрического заряда. Для научного кода это важнее красивой схемы.

Обучали систему на результатах полных ядерных расчётов — они в этой теме и остаются эталоном. В набор вошли 240 тысяч временных шагов по 5000 траекториям выбросов вещества. Использовали PyTorch и оптимизатор ADAM, а обучение одной модели занимало около 100 часов процессорного времени. На тестовых сценариях, которых не было в обучающей выборке, ошибка по выделению энергии в большинстве случаев держалась в пределах 10%.

Самая показательная цифра для вычислительной астрофизики выглядит так: интеграция RHINE замедляла гидродинамическую симуляцию всего в 1,3—2,1 раза. Это, конечно, не бесплатно, но по сравнению с прямым расчётом тысяч ядерных реакций внутри трёхмерной модели — почти другой мир. Когда часы на суперкомпьютере считаются буквально поштучно, такая разница уже решает, останется ли метод в статье или дойдёт до рабочего пайплайна.

Почему это важно после GW170817

Слияния нейтронных звёзд интересуют астрономов не только как источник гравитационных волн. Это ещё и одна из главных фабрик элементов тяжелее железа. По современным оценкам, r-процесс отвечает примерно за половину таких элементов во Вселенной. Поэтому ошибка в энергетике выбросов цепляет сразу несколько вещей: кривые блеска килоновых, оценки массы выброшенного вещества и то, сколько золота, европия или платины вообще рождается в таких катастрофах.

До сих пор исследователи часто мирились со странным разрывом: состав считали подробно, а гидродинамику упрощали. RHINE предлагает другой ход — оставить трёхмерную динамику и встроить в неё быстрый суррогат ядерной сети. Это часть более широкого сдвига в вычислительной физике. Нейросетевые суррогатные модели уже используют в климате, плазменной физике и космологии, но в симуляциях слияний нейтронных звёзд их редко удавалось довести до состояния, где они не просто ускоряют постобработку, а вмешиваются в ход расчёта.

Особенно заметен выигрыш на медленных выбросах из аккреционного диска, которые покидают систему спустя секунды после столкновения. Именно там дополнительное тепло от r-процесса помогает веществу выбраться из гравитационной ямы центрального объекта. Состав при этом меняется не радикально, зато меняется светимость — то, что телескопы видят напрямую. Если модель делает килоновую почти вдвое ярче на десятый день, это уже сразу влияет на то, как читают наблюдения.

Для обсерваторий следующего цикла это ещё и вполне приземлённая польза. Сети LIGO, Virgo и KAGRA продолжают собирать кандидатов на новые слияния компактных объектов, но GW170817 по-прежнему остаётся главным образцовым случаем с хорошим электромагнитным сопровождением. Чем больше таких событий появится, тем отчётливее станет разница между старыми двухшаговыми моделями и расчётами, где ядерный нагрев включён в динамику с самого начала.

Авторы выложили код RHINE и обученные сети в открытый доступ, так что другие группы смогут встроить систему в свои симуляторы и проверить её на новых данных. Ближайшая проверка будет простой и жёсткой: насколько хорошо метод воспроизведёт будущие килоновые, если у астрономов снова окажется и сигнал гравитационных волн, и подробная кривая блеска по дням. После GW170817 именно такие совпадения и стали для теории самой ценной валютой.