Des chercheurs utilisant des modèles d’apprentissage profond ont identifié les mécanismes de nucléosynthèse à l’origine des éléments les plus lourds de l’univers, tels que l’or et le platine. Cette percée, publiée ce mois-ci dans la revue Nature, explique comment les collisions d’étoiles à neutrons synthétisent ces métaux rares à travers des processus de capture de neutrons rapides.
La simulation des collisions d’étoiles à neutrons
La formation des éléments situés au-delà du fer dans le tableau périodique nécessite des conditions extrêmes, principalement réunies lors des kilonovae, ces collisions cataclysmiques entre étoiles à neutrons. Jusqu’à présent, la modélisation de ces événements était limitée par la puissance de calcul nécessaire pour simuler le comportement des particules subatomiques dans un environnement soumis à une gravité intense et à des champs magnétiques extrêmes.
Une équipe internationale a intégré des réseaux de neurones artificiels pour accélérer les calculs de transport radiatif au sein de ces simulations. Selon les travaux dirigés par le Dr. Andreas Bauswein au GSI Helmholtz Centre for Heavy Ion Research, cette méthode permet de modéliser avec précision le processus « r » (capture rapide de neutrons) en une fraction du temps requis par les méthodes traditionnelles. Le processus « r » est un mécanisme nucléaire où les noyaux atomiques capturent des neutrons à une vitesse supérieure à celle de leur désintégration bêta, permettant ainsi la synthèse d’éléments lourds comme l’or, le platine et l’uranium à partir de noyaux plus légers.
« L’intégration de l’intelligence artificielle nous permet de résoudre des équations complexes de physique nucléaire qui étaient auparavant inaccessibles à nos supercalculateurs », a déclaré le Dr. Bauswein. Cette avancée technique repose sur l’entraînement de modèles capables d’approximer les équations de transport des neutrinos, des particules quasi-fantomatiques qui jouent un rôle crucial dans le refroidissement et la composition chimique de la matière éjectée lors de la fusion.
Une précision accrue sur l’abondance des métaux lourds
Les modèles actuels confirment que la majorité des éléments lourds observés dans le système solaire proviennent de ces fusions stellaires. Les chercheurs ont pu corréler les signatures spectrales détectées par les observatoires terrestres, tels que le Very Large Telescope (VLT), avec les prédictions générées par leurs modèles IA. Cette validation croisée est fondamentale, car elle permet de lier la théorie astrophysique aux observations empiriques réalisées après la détection d’événements comme GW170817, la première fusion d’étoiles à neutrons détectée par ondes gravitationnelles.
Cette approche a permis de réduire l’incertitude sur le rendement en éléments lourds d’une seule fusion d’étoiles à neutrons. Alors que les estimations précédentes variaient considérablement en raison de la complexité de l’hydrodynamique relativiste, les nouvelles simulations suggèrent une production constante de métaux précieux, apportant une réponse à une question vieille de plusieurs décennies sur l’origine chimique de la galaxie. Ce processus aide à expliquer pourquoi l’abondance de métaux lourds dans le milieu interstellaire nécessite des événements aussi rares et énergétiques que la rencontre de deux résidus stellaires ultra-denses.
For more on this story, see Cremonini clôt son ère des arènes : un tournant artistique et un débat sur les mégacontacts.
Comparaison des méthodes de calcul
Les méthodes traditionnelles de dynamique des fluides, bien que rigoureuses, échouent souvent à capturer l’interaction entre les neutrinos et la matière éjectée lors des millisecondes suivant la collision. En utilisant des réseaux de neurones entraînés sur des données de physique fondamentale, les chercheurs ont réussi à reproduire les résultats des simulations hydrodynamiques avec une précision de 98 %, tout en réduisant le temps de traitement de 400 fois. Ce gain d’efficacité transforme radicalement la méthodologie de recherche : là où une simulation complète prenait des semaines sur des clusters de calcul haute performance, elle peut désormais être réalisée en quelques heures.
Cette accélération computationnelle est essentielle pour analyser les données en temps réel provenant des détecteurs d’ondes gravitationnelles comme LIGO, Virgo et KAGRA. La capacité de prédire rapidement la composition chimique d’un événement détecté permet aux astronomes d’orienter leurs télescopes optiques vers les régions du ciel les plus prometteuses avant que la lumière de la kilonova ne s’estompe. Cette fenêtre d’observation, souvent limitée à quelques jours, est cruciale pour capturer le déclin de la luminosité thermique et la signature de la désintégration radioactive des noyaux lourds nouvellement formés.
Perspectives pour l’astrophysique nucléaire
L’application de l’IA dans ce domaine ne se limite pas à la confirmation des théories existantes. Les chercheurs prévoient d’utiliser ces modèles pour explorer les conditions régnant à l’intérieur des étoiles à neutrons, où la densité de la matière dépasse celle d’un noyau atomique. Ces environnements sont de véritables laboratoires naturels pour étudier la chromodynamique quantique, la théorie décrivant l’interaction forte qui maintient les protons et les neutrons ensemble.
Le défi reste la validation de ces modèles avec des observations directes. Si les simulations actuelles correspondent aux données spectroscopiques, la rareté des événements de fusion détectés limite encore la portée statistique des conclusions. La prochaine génération d’observatoires, incluant des détecteurs d’ondes gravitationnelles plus sensibles et des télescopes spatiaux de nouvelle génération, devrait fournir les preuves empiriques nécessaires pour confirmer si les prédictions de l’IA reflètent fidèlement la diversité chimique de l’univers primitif. À mesure que le taux de détection augmentera, la capacité à modéliser ces événements avec précision deviendra le pilier central de notre compréhension de l’évolution chimique du cosmos.
Find more reporting in our Sciences et technologies section.
