宇宙中许多重元素的起源，一直是天文学领域的未解之谜。珠宝中的黄金、核燃料中的铀，以及众多比铁更重的元素，究竟是如何形成的？科学家普遍认为，这些元素诞生于宇宙中最为剧烈的天体事件中，例如超新星爆发和中子星合并。然而，要详细模拟这些极端环境下的物理过程，对计算能力提出了极高的要求。
快速中子俘获过程（r过程）被认为是产生这些重元素的关键机制。在这一过程中，原子核在短时间内吸收大量中子，随后中子衰变为质子，使原子核逐渐变重。这一过程需要极高的能量密度和自由中子数量，通常发生在超新星爆发或中子星合并等极端事件中。然而，由于涉及复杂的核反应和流体动力学，精确模拟r过程一直是科学界的难题。
为了突破这一瓶颈，一支国际研究团队开发了一种基于机器学习的新模型，名为RHINE（基于神经网络的流体动力学模拟中r过程加热的实现）。该模型首次将深度学习神经网络引入流体动力学模拟，以高效计算r过程核反应释放的能量。这一创新方法显著降低了计算复杂度，同时保持了结果的准确性。相关研究成果已发表在《物理评论D》上。
研究团队利用大量详细的核合成计算结果训练机器学习模型。这些计算涵盖了数千种同位素的反应路径，为模型提供了丰富的参考数据。训练完成后，模型能够预测流体动力学模拟中任意状态下的核能释放率，从而避免了直接耦合核合成计算与流体动力学模拟的高昂计算成本。通过对比验证，研究人员确认机器学习模型与参考数据高度一致，证明了其可靠性和计算效率。
RHINE模型的应用不仅限于理论研究。它还能够模拟中子星合并后产生的千新星等天文现象的电磁信号。千新星是两颗中子星碰撞后产生的短暂光学耀斑，其亮度变化与r过程加热密切相关。通过RHINE模型，研究人员可以更准确地预测千新星的光变曲线，为天文观测提供理论支持。
RHINE模型的开源特性使其成为天体物理领域的宝贵工具。研究人员表示，该模型有望在未来实现更精细的模拟，帮助连接即将建成的FAIR设施的实验数据与恒星爆炸、中子星合并等天文观测结果。这一进展不仅深化了人类对宇宙重元素起源的理解，也为多信使天文学的发展开辟了新途径。
