AIで中性子星合体の「重元素づくり」を高速シミュレーション

金やプラチナといった、宇宙でいちばん重いほうの元素。その多くは、中性子星どうしが衝突する瞬間に作られたと考えられています。ただ、その激しい現場をコンピューターで再現しようとすると、計算があまりに重くて手に負えないという壁がありました。ドイツのGSI/FAIRの国際研究チームが、そこにAIを持ち込んで、いちばん重い部分の計算を肩代わりさせる手法「RHINE（ライン）」を作りました。中身を削らずに、桁違いに軽く回せるというのがポイントです。

金やプラチナが生まれる場所

鉄より重い元素の多くは、ふつうの星の内部ではうまく作れません。作るには、短い時間に大量の中性子を原子核に押し込むような、とびきり過酷な環境が要ります。その舞台のひとつが、中性子星どうしの合体です。中性子星は、太陽くらいの重さが都市ほどの大きさに詰まった、つぶれた星の芯のようなもの。これが2つぶつかると、想像しづらいほどのエネルギーが解き放たれます。

このとき起きるのが「r過程」と呼ばれる反応です。r過程＝速い中性子捕獲、つまり原子核が次々と中性子を取り込んでいく現象のこと。取り込まれた中性子の一部が陽子に変わることで、原子核はどんどん大きく、重くなっていきます。こうして金・プラチナ・ウランといった重い元素ができあがる、というのが今の見立てです。合体の直後には、この過程でできた元素が放つ「キロノバ」という淡い輝きが観測されることもあります。

シミュレーションを阻む計算コスト

研究者はこうした現象を、コンピューターの中で一から再現しようとします。ところが合体の現場では、一般相対論・流体の動き・原子核の反応・光の伝わり方といった、まったく分野の違う物理が同時に絡み合っています。これを時間を刻みながら追いかけるのは、原子核物理でも指折りの難物です。

とくに厄介なのが、r過程で起きる「加熱」の扱いでした。反応が進むときに出るエネルギーのことで、これがあると噴き出す物質の速さや広がり方が変わり、あとに残る輝き（キロノバ）の見え方まで左右されます。無視できない要素なのに、まじめに全部計算しようとすると膨大な時間がかかる。だから従来のモデルでは、ここを簡単な近似で済ませてしまうことが多かったのです。第一著者のオリバー・ユスト博士は、全部のパラメーターをきちんと計算しようとすると桁外れの計算能力が要るため、モデルを簡略化せざるをえなかった、と説明しています。

AIに肩代わりさせた「加熱」の計算

RHINEがやったのは、この重い加熱の計算をまるごとAIに任せる、という発想の切り替えです。深層学習（ディープラーニング）を使ったニューラルネットワークに、r過程で出るエネルギーを見積もる役をさせます。流体シミュレーションを走らせている最中に、その都度AIが加熱の量を推定してくれる、というしくみです。

ふつうなら、シミュレーションの一歩ごとに核反応の計算をびっしり回す必要があります。RHINEはそこを、あらかじめ学習させたAIの推定で置き換えます。反応の中身を粗くしたわけではなく、重い計算だけを軽い推定に差し替えている、というのが肝心なところ。チームは、AIの出した結果を、手抜きなしで計算した参照データと細かく突き合わせて検証しました。よく一致したことから、この方法で計算時間を大幅に節約できると結論づけています。あわせて、これまで軽く扱われがちだったr過程の加熱が、実はモデルできちんと考慮すべき効果だということも示されました。

学習と検証の流れ

手順そのものはシンプルです。まず、核反応を一式そろえた本格的な計算を大量に用意し、それを教材にしてAIを訓練します。訓練が済んだAIは、実際の流体シミュレーションに組み込まれ、r過程の加熱率をわずかな手間で近似できるようになります。設計を主導したツェーウェイ・シオン博士は、参照データとの比較で高い一致が得られたことが、AIモデルで計算時間を大きく節約できる裏づけになる、と述べています。

観測と実験をつなぐ狙い

計算が軽くなると、これまで手が出せなかったような、より細かいシミュレーションが現実的になります。チームが見据えているのは、GSIで建設が進む新しい加速器施設FAIRです。地上の実験室で重い原子核の性質を調べ、その結果を、宇宙で起きる爆発や中性子星合体の観測と結びつける——その橋渡しに、軽くて詳しいシミュレーションが効いてくる、という見取り図です。

RHINEのソースコードは公開されていて、誰でも使えるようになっています。ほかの研究者が同じ土台の上で改良を重ねられる、というオープンな形です。

解釈上の留意点

ひとつ押さえておきたいのは、RHINEは合体そのものをまるごとAIに解かせる魔法ではない、という点です。あくまで「r過程の加熱」という計算の重い一部分を、検証済みのAIの近似に置き換える手法です。近似である以上、適用できる範囲や精度には前提があり、そこは参照データとの比較で確かめられています。

また、この研究が実際の観測データから何か新しい元素の量を割り出した、という話でもありません。今回示されたのは、これから詳しいシミュレーションを大量に回すための、いわば土台となる道具です。査読を経てPhysical Review Dに載った成果ではありますが、天文観測とのつながりで具体的な果実が出てくるのは、これから、ということになります。それでも、長年ネックだった計算の重さに現実的な突破口を示した意味は小さくありません。