```json
{
    "title": "Искусственный интеллект ускорил моделирование синтеза тяжелых элементов",
    "url": "https://gradnauki.ru/sci/136068",
    "datePublished": "2026-07-08",
    "dateModified": "2026-07-08",
    "language": "ru-RU",
    "description": "Международная группа ученых разработала модель на основе искусственного интеллекта, которая позволяет значительно эффективнее моделировать синтез тяжелых элементов во Вселенной. Исследование, проведенное в Центре по изучению ионов и антипротонов (GSI/FAIR), решает…",
    "author": "Олег Зимин",
    "publisher": "Град науки"
}
```

# Искусственный интеллект ускорил моделирование синтеза тяжелых элементов

Международная группа ученых разработала модель на основе искусственного интеллекта, которая позволяет значительно эффективнее моделировать синтез тяжелых элементов во Вселенной. Исследование, проведенное в Центре по изучению ионов и антипротонов (GSI/FAIR), решает одну из самых сложных задач ядерной астрофизики. Результаты работы опубликованы в журнале Physical Review D.

Многие химические элементы тяжелее железа, включая золото и платину, образуются в ходе экстремальных космических событий – например, при слиянии нейтронных звезд или взрывах сверхновых. Синтез происходит за счет так называемого r-процесса, или быстрого захвата нейтронов, когда атомные ядра стремительно поглощают свободные нейтроны, а часть из них затем превращается в протоны, утяжеляя ядро. Моделирование этих реакций требует огромных вычислительных мощностей, поэтому ученым часто приходилось упрощать расчеты.

Новая система под названием RHINE использует нейронную сеть глубокого обучения, чтобы с высокой скоростью оценивать ключевой параметр – количество энергии, выделяющейся в ходе ядерных реакций. Этот показатель, известный как «нагрев», напрямую влияет на динамику выброса вещества при звездных взрывах, в том числе на скорость материи и яркость последующего свечения, наблюдаемого в случае слияния нейтронных звезд как килоновая.

Вместо того чтобы выполнять полный цикл вычислений для каждой реакции в ходе симуляции, нейросеть предварительно обучают на обширной библиотеке эталонных расчетов. После обучения модель способна точно аппроксимировать выделение энергии, затрачивая на это лишь малую долю вычислительных ресурсов. Сравнение с контрольными данными показало высокую точность работы алгоритма.

По словам исследователей, новый подход не только кардинально сокращает время вычислений, но и позволяет создавать гораздо более детальные симуляции космических катаклизмов. В перспективе это поможет связать данные астрономических наблюдений с результатами экспериментов, которые будут проводить на строящемся ускорительном комплексе FAIR. Исходный код RHINE выложен в открытый доступ, чтобы другие научные группы могли использовать его в своей работе.