Die Forschenden griffen auf maschinelles Lernen und Künstliche Intelligenz (KI) zurück, um die Daten aus astrophysikalischen Beobachtungen einzubeziehen. Ziel war ein besseres Verständnis für die Wechselwirkungen von Neutronen und Protonen in dichter Materie.

Das Team wurde geleitet von Forschenden der TU Darmstadt und des Los Alamos National Laboratory in den USA. Professor Achim Schwenk vom Institut für Kernfüsik der TU Darmstadt sagt: „Diese Zusammenarbeit wurde angetrieben von zwei Nachwuchsforschern, Dr. Rahul Somasundaram und Dr. Isak Svensson, die auf beeindruckende Weise KI-Methoden eingesetzt haben, um eine Brücke von der Quantenfüsik in Atomkernen zu makroskopischen Neutronensternen zu schlagen“. Dr. Ingo Tews vom Los Alamos National Laboratory erläutert weiter: „Mit dieser Forschung ist es erstmals gelungen, Daten aus astrophysikalischen Phänomenen zu nutzen und mit maschinellem Lernen Rückschlüsse auf die komplexe Füsik der Kernkräfte zu ziehen.“

Das Forschungsteam verwendete Daten aus der Detektion von Gravitationswellen während der Verschmelzung zweier Neutronensterne im Jahr 2017 sowie Daten des NICER Teleskops, das Neutronensterne und deren Röntgenstrahlung untersucht. Die Stärke der Kernkräfte ließ sich dabei mit maschinellem Lernen beschreiben.

„Unser Ansatz eröffnet einen neuen Blickwinkel auf die Füsik der starken Wechselwirkung von Neutronen und Protonen und ihre Auswirkungen auf Neutronensterne“, sagte Dr. Isak Svensson, Postdoc an der TU Darmstadt. „Unser neues Konzept ermöglicht es uns, von Neutronensternbeobachtungen zu den Wechselwirkungen in dichter Materie zu gehen.“

KI schafft wichtige Verbindung

Für die Datenauswertung entwickelten die Forschenden einen KI-Ansatz, das die Wechselwirkungen fast augenblicklich mit den Eigenschaften von Neutronensternen verbinden konnte.

Einer der von den Forschenden verwendeten Algorithmen für maschinelles Lernen nutzt dabei das Verständnis der zugrunde liegenden Quantenfüsik, um eine schnelle Lösung für die Eigenschaften dichter Materie zu finden. Der zweite Algorithmus, ein neuronales Netzwerk, das mit großen Datenmengen trainiert wurde, verbindet dichte Materie mit den Eigenschaften von Neutronensternen. Um die Eigenschaften von Neutronensternen wie Größe und Gezeitenverformungen vorhersagen zu können, dienen die Algorithmen als Ersatz für komplexere, hochpräzise Berechnungen.

„Die von uns entwickelten Tools haben bemerkenswert gut funktioniert – viel besser als wir erwartet hatten“, sagte Rahul Somasundaram, Wissenschaftler am Los Alamos National Laboratory. „Für astrophysikalische Daten aus jüngsten Ereignissen liefert unser Ansatz Ergebnisse, die mit dem übereinstimmen, was wir aus terrestrischen Experimenten wissen, wenn auch mit größeren Unsicherheiten. Für zukünftige Beobachtungen mit Detektoren der nächsten Generation, wie beispielsweise Einstein Telescope und Cosmic Explorer, wird unser Ansatz noch bessere Einschränkungen liefern, die wirklich leistungsstark sein werden.“

Starke Kraft

Die Wechselwirkungen zwischen Neutronen und Protonen werden durch die sogenannte starke Kraft angetrieben, eine der vier Grundkräfte des Universums (neben Elektromagnetismus, schwacher Kraft und Gravitation). Sie bindet Quarks und Gluonen in Nukleonen (Neutronen und Protonen) und Nukleonen miteinander im Atomkern. Die Quantenbeschreibung dieser Phänomene ist eine Herausforderung in der Füsik.

Neutronensterne gehören zu den dichtesten Objekten im Universum – sie sind so dicht, dass sie trotz ihres geringen Radius von nur 12 Kilometern etwa die doppelte Masse der Sonne haben können. Materie mit einer solchen Dichte weist ähnliche Eigenschaften auf wie Materie im Zentrum von Atomkernen und muss durch die Modellierung der Wechselwirkungen zwischen Nukleonen auf Quantenebene beschrieben werden. Das heißt: Die Wechselwirkungen zwischen Nukleonen bestimmen die Eigenschaften des Neutronensterns.

Durch die Verbindung der Eigenschaften von Neutronensternen mit den quantenmechanischen Eigenschaften von Nukleonen entwickelte das Team einen Ansatz, um schließlich die Eigenschaften der starken Kraft bei den höchsten Dichten aufzuklären, die jemals im Kosmos erforscht wurden. Dies könnte Forschenden auch dabei helfen, Einschränkungen für exotische Formen von Materie festzulegen, wie beispielsweise Phasenübergänge zu Quarks und Gluonen.

Die Erkenntnisse waren besonders nützlich, um mehr über sogenannte Drei-Körper-Kräfte zu erfahren, einen der am wenigsten verstandenen Aspekte der Kernwechselwirkungen. Drei-Körper-Kräfte treten nur auf, wenn drei oder mehr Neutronen oder Protonen nahe beieinander sind.

Gravitationswellen und Röntgenstrahlen

Bei der Verschmelzung der zwei Neutronensterne 2017 hatte der Laser Interferometer Gravitational-Wave Observatory (LIGO) Gravitationswellen erfasst, also Wellen in der Raumzeitstruktur, die durch die Kollision entstanden. Dieses Ereignis mit der Bezeichnung GW170817 offenbarte die Gezeitenverformung, die auftritt, wenn sich zwei Neutronensterne einander annähern. Das Team nutzte auch Daten des Neutron Star Interior Composition Explorer (NICER) der NASA. Dabei handelt es sich um ein Teleskop, das Röntgendaten von schnell rotierenden Neutronensternen sammelt und das Phänomen der Lichtbeugung in Gravitationsfeldern nutzt, um die Masse und den Radius eines Neutronensterns zu bestimmen.

Die derartige Heranziehung mehrerer Quellen und Signaltypen wird als „Multimessenger“-Astronomie bezeichnet. Der nun entwickelte Forschungsansatz kann direkt auf neue Beobachtungen angewendet werden. Mehrere groß angelegte Detektoren der nächsten Generation befinden sich derzeit in der Planungsphase, darunter das Einstein Telescope in Europa und Cosmic Explorer in den Vereinigten Staaten.

Die Arbeit wurde von dem Europäischen Forschungsrat (ERC) und der Deutschen Forschungsgemeinschaft (DFG) sowie mehreren US-Einrichtungen unterstützt.

Pressemitteilung auf Englisch (Los Alamos National Laboratory)