6月8日，来自GSI/FAIR的国际研究团队在《物理评论D》期刊上发表成果，首次运用深度学习技术，通过神经网络在流体动力学模拟中模拟了r过程核合成过程中的能量释放。该团队开发的新型机器学习模型RHINE(基于神经网络的r过程加热流体动力学模拟)，为理解中子星并合等恒星事件中的元素形成提供了更高效的研究工具。
许多化学元素产生于恒星爆炸或中子星合并等大规模恒星事件。在快速中子俘获(r过程)中，自由中子被原子核俘获并转化为质子，形成更重的原子核，同时释放大量能量。GSI/FAIR"核天体物理与结构"研究部门科学家、论文第一作者奥利弗·贾斯特博士指出，传统理论模拟需要极强计算能力，模型通常必须大幅简化，而RHINE模型提供了一种高效替代方案。
RHINE利用深度学习神经网络描述r过程核反应在流体动力学模拟中的能量释放。这种"加热"效应会显著影响爆炸喷射物质的动力学和速度分布，进而影响产生的电磁辐射——在中子星并合中，这种辐射表现为可观测的千新星。
GSI/FAIR研究员、机器学习模型主要构建者熊泽伟博士解释，模型先利用大量基于完整核反应集生成的参考数据进行训练，再以最小计算量近似r过程加热速率。团队通过与参考数据的详细比较验证了该方案，结果显示一致性良好，表明机器学习模型可节省大量计算时间。研究还推断出r过程加热是一个重要效应，应在未来建模中得到更好考虑。
研究团队表示，未来使用RHINE模型可进行更详细的模拟，使FAIR实验结果能与恒星爆炸和中子星合并的观测结果直接关联。目前RHINE源代码已公开，项目由欧洲研究理事会(ERC)等多家机构共同资助。
