Inteligência artificial ajuda cientistas a simular colisões de estrelas de nêutrons com precisão

As colisões de estrelas de nêutrons estão entre os eventos mais energéticos do Universo e são responsáveis pela produção de elementos químicos pesados. Quando duas estrelas de nêutrons se fundem, quantidades de matéria rica em nêutrons são ejetadas para o espaço a velocidades próximas à da luz. Nesse ambiente ocorre o processo-r, um mecanismo de nucleossíntese responsável pela formação rápida de núcleos atômicos pesados. É por meio desse processo que elementos como ouro, platina e urânio são produzidos.

Compreender em detalhes o que acontece durante essas colisões exige simulações numéricas. Os modelos precisam descrever a hidrodinâmica da matéria ejetada, a física nuclear responsável pela formação dos elementos e os efeitos relativísticos. Isso resulta em cálculos computacionais complexos, envolvendo milhares de reações nucleares. Em muitos casos, uma única simulação pode durar dias ou semanas de processamento em supercomputadores. Essa limitação dificulta estudar diferentes condições iniciais e parâmetros físicos.

Para resolver esse problema, um novo estudo propõe usar inteligência artificial (IA) para superar parte dessas limitações. Os pesquisadores desenvolveram um modelo capaz de reproduzir o aquecimento gerado pelo processo-r dentro das simulações hidrodinâmicas. Em vez de calcular diretamente todas as reações nucleares a cada etapa da simulação, a rede neural aprende a estimar seus efeitos de forma mais eficiente. A abordagem permite estudar um número maior de simulações e explorar diferentes parâmetros físicos.

Colisão de estrelas de nêutrons

As colisões de estrelas de nêutrons ocorrem quando dois desses objetos compactos perdem energia orbital por meio da emissão de ondas gravitacionais e acabam se fundindo. Durante a colisão, matéria é ejetada para o espaço em condições extremas de temperatura, densidade e energia. A fusão também produz uma explosão conhecida como kilonova que está associada com emissões eletromagnéticas e ondas gravitacionais.

No processo-r, núcleos atômicos absorvem grandes quantidades de nêutrons em intervalos curtos antes de sofrerem decaimentos radioativos. Esse processo permite a formação de elementos como ouro, platina e urânio. A quantidade de elementos sintetizados depende de diversos fatores como a quantidade de massa ejetada, sua composição química e as condições físicas durante a expansão do material. Além disso, milhares de reações nucleares ocorrem simultaneamente enquanto a matéria esfria e evolui.

Problema de simulações numéricas

Para entender esses processos, astrônomos e físicos usam simulações numéricas que descrevem a Física do fenômeno. Durante a fusão, ocorrem simultaneamente fenômenos relacionados à relatividade geral, hidrodinâmica, física nuclear e transporte de radiação. A interação entre essas diferentes áreas da Física produz um sistema complexo, cuja evolução precisa ser calculada passo a passo por modelos computacionais. As simulações permitem reconstruir esses processos e comparar previsões teóricas com as observações.

No entanto, realizar essas simulações é uma tarefa computacionalmente muito exigente. Os modelos precisam acompanhar a evolução de bilhões de elementos enquanto resolvem equações que descrevem a dinâmica da matéria e da gravidade. Em muitos casos, também é necessário incluir milhares de reações nucleares responsáveis pela formação dos elementos pesados produzidos durante a colisão. Dependendo da resolução e da complexidade do modelo, uma única simulação pode consumir dias ou até semanas.

Simulação com IA

Um novo estudo propõe usar IA para resolver esse problema e acelerar uma das etapas mais custosas das simulações de colisões de estrelas de nêutrons. O método, chamado RHINE, emprega redes neurais para modelar a energia liberada durante o processo-r. Os pesquisadores treinaram a rede neural usando um conjunto de cálculos de referência produzidos com redes completas de reações nucleares. Durante essa etapa, o sistema aprende a relação entre as condições físicas da matéria e a energia liberada pelo processo-r.

Após o treinamento, a rede neural pode ser incorporada diretamente às simulações hidrodinâmicas para estimar as taxas de aquecimento de forma muito mais rápida. Em vez de resolver milhares de reações nucleares a cada passo temporal, a IA fornece aproximações com um custo computacional menor. Isso permite executar um número maior de simulações e explorar diferentes cenários físicos em menos tempo. Como resultado, os pesquisadores conseguem investigar como variam as propriedades das kilonovas e da matéria ejetada em colisões de estrelas de nêutrons.

Referência da notícia

Just et al. 2026 r-process heating implementation in hydrodynamic simulations with neural networks Physical Review D