Neutronenstern-Kollisionen: Forscher untersuchen mit KI, wie sich im Weltraum schwere Elemente bilden
Neutronensternverschmelzungen gehören zu den spannendsten Vorgängen im sichtbaren Universum, weil bei ihnen schwere Elemente wie Gold, Platin und Uran entstehen. Astronomen haben nun ein neues KI-Simulationsmodell entwickelt, das die komplexen Vorgänge bei solchen Verschmelzungen berechnen kann.
Neutronensterne sind die Überbleibsel massereicher Sterne, die nach deren Kollaps zurückbleiben. Die Himmelsobjekte haben einen Durchmesser von etwa 11 Kilometern und bringen die 1,4-fache Sonnenmasse auf, sie sind also extrem massereich. Sie bestehen größtenteils aus Neutronen, neutralen Elementarteilchen.
Wenn Neutronensterne im All kollidieren – oder auch bei bestimmten Supernovae –, werden enorme Energiemengen freigesetzt. Dadurch werden Bedingungen geschaffen, unter denen neue Atomkerne gebildet werden können. Dabei entstehen einige der schwersten chemischen Elemente des Universums, etwa Gold oder Uran.
„Neutronensterne enthalten die dichteste Materie im beobachtbaren Universum. Sie sind so dicht und kompakt, dass man sich den gesamten Stern als einen Atomkern von der Größe einer Stadt vorstellen kann“, erklärt Collin Capano, Wissenschaftler am Max-Planck-Institut für Gravitationsphysik AEI Hannover und Autor einer früheren Studie. „Verschmelzungen von Neutronensternen sind eine wahre Informationsgoldmine.“
Herausforderung für die Astrophysik
Bei Neutronensternverschmelzungen – sowie bei anderen kosmischen Extremereignissen – kommt es zum schnellen Neutroneneinfang, bei dem schwerere Elemente als das in Sternen enthaltene Eisen entstehen.
Bei dem auch als r-Prozess bezeichneten Vorgang (von engl. rapid) lagern sich freie Neutronen an bestehende Atomkerne an und werden anschließend in Protonen umgewandelt. Auf diese Weise entstehen nach und nach immer schwerere Elemente, die schließlich auch auf der Erde vorkommen.
Die mathematische Beschreibung dieser Vorgänge zählt zu den anspruchsvollsten Aufgaben der modernen Astrophysik. Zahlreiche Vorgänge laufen gleichzeitig ab und beeinflussen sich gegenseitig. Für eine realistische Beschreibung wären enorme Rechenleistungen erforderlich.
„Weltweit arbeiten Forschende daran, diese komplexen Reaktionen mithilfe von theoretischen Simulationen begreifbar zu machen“, erläutert Dr. Oliver Just vom GSI Helmholtzzentrum für Schwerionenforschung und Erstautor einer neuen Studie. „Um alle Parameter abzubilden, wären jedoch unglaubliche Rechenkapazitäten nötig, weshalb die Modelle häufig stark vereinfacht werden müssen.“
Gemeinsam mit internationalen Partnern entwickelte das Team vom GSI Helmholtzzentrum für Schwerionenforschung deshalb eine neue Methode namens RHINE. „Unser neues Modell RHINE, das mit künstlicher Intelligenz arbeitet, bietet eine effiziente Alternative“, sagt Just, der auch Erstautor der im Fachjournal Physical Review D veröffentlichten Studie ist.
Kernstück des Systems ist ein auf Deep Learning basierendes neuronales Netzwerk, das darauf trainiert wurde, die Energiefreisetzung zu berechnen, die während der Kernreaktionen des r-Prozesses entsteht. Diese Energie, die sogenannte Heizwirkung, beeinflusst maßgeblich, wie schnell sich die Materie ausbreitet und welche elektromagnetische Strahlung entsteht.
Bei der Verschmelzung zweier Neutronensterne macht sich dies als Kilonova bemerkbar – das ist ein kurzzeitig extrem helles Leuchtereignis, das von Astronomen beobachtet werden kann.
Viel weniger Rechenaufwand
„Die ML-Modelle werden zunächst mithilfe einer großen Anzahl an Referenzrechnungen trainiert, die mit einem vollständigen Satz an Kernreaktionen erzeugt wurden“, erklärt Dr. Zewei Xiong, der maßgeblich an der Entwicklung der KI-Modelle beteiligt war. „Anschließend werden die Modelle in laufenden hydrodynamischen Simulationen eingesetzt, um die Heizraten, die während des r-Prozesses auftreten, mit geringem Aufwand näherungsweise zu bestimmen.“
Die Ergebnisse decken sich mit den aufwendigen Referenzberechnungen. „Die gute Übereinstimmung legt nahe, dass durch den Einsatz von ML-Modellen enorme Mengen an Rechenzeit gespart werden können“, so Xiong.
Darüber hinaus bestätigten die Simulationen, dass die durch den r-Prozess freigesetzte Energie einen wesentlich stärkeren Einfluss auf die Entwicklung solcher kosmischen Ereignisse haben könnte als bisher angenommen. Künftige Modelle sollen diesen Effekt daher noch mehr berücksichtigen.
Quellenhinweis:
Just, O., Xiong, Z., & Martínez-Pinedo, G. (2026): 𝑟-process heating implementation in hydrodynamic simulations with neural networks. Physical Review D.
Capano, C. D., Tews, I., Brown, S. M. et al. (2020): Stringent constraints on neutron-star radii from multimessenger observations and nuclear theory. Nature Astronomy.