GSI/FAIRのRHINE：AIで中性子星合体の重元素生成を高速シミュレーション、天体核物理とマルチメッセンジャー天文学を結ぶ新プラットフォーム

何があったのか

Oliver Just氏、Zewei Xiong氏、Gabriel Martínez-Pinedo氏らGSI/FAIRの研究チームは、深層学習ニューラルネットワークを用いて、中性子星合体などで進行するr過程（急速中性子捕獲過程）における核反応のエネルギー放出を、流体力学シミュレーションの実行中に推定するモデルRHINEを開発した。研究成果は2026年にPhysical Review D誌に掲載された。従来のr過程計算では、シミュレーションの各時刻に数千の核反応を全て解く必要があったため、単一のシミュレーションでスーパーコンピュータでも数日から数週間を要していた。RHINEは、完全な核反応ネットワークを含む膨大な参照計算ライブラリで事前に学習しておき、シミュレーション実行中には学習済みネットワークで加熱率を高速推定する。この分業により、計算コストを桁違いに削減しながら精度を保つことができる。研究は欧州研究会議（ERC）などの支援を受けており、ソースコードは公開されている。

なぜr過程シミュレーションは重かったのか

宇宙に存在する化学元素の大半は、星の内部での核融合や、超新星爆発、中性子星合体などの激しい天体現象で生成される。鉄より重い元素の多くは、r過程と呼ばれる急速中性子捕獲過程で作られる。既存の原子核が自由中性子を次々と捕獲し、その一部が陽子に変換されることで、より重い原子核が形成される機構である。金、プラチナ、ウランといった重元素の大半がこの過程の産物とされる。r過程を数値計算するには、流体力学（放出物質の運動）、相対論効果（強重力場での時空の歪み）、核物理（数千種類の原子核とその反応）の3方向を同時に扱う必要がある。特に核反応ネットワークの計算は膨大で、単一のシミュレーションで数千の反応を数万時間ステップで解くとスーパーコンピュータでも数日から数週間を要する。この計算コストの重さが、パラメータスキャンや大量のシミュレーションを困難にし、観測との比較を制約してきた。

RHINEの分業構造

このアプローチの本質は、計算の重い部分を事前学習にオフロードし、シミュレーション実行中は軽量なNN推論だけで済ませる点にある。事前学習に投じた計算量は1回だけで、その後は何千回でもシミュレーションを走らせることができる。パラメータスキャンや不確実性評価のための大量計算が現実的に可能となる。

r過程加熱がなぜ重要か

中性子星合体では、新しく合成された放射性重原子核の崩壊がエネルギーを放出し、これが放出物質を加熱する。この加熱は、放出物質の速度や、その後観測されるキロノヴァと呼ばれる光度変化に直接影響する。キロノヴァは、2017年8月17日にLIGO/Virgoが検出した重力波イベントGW170817と、それに続く多波長観測AT2017gfoで初めて確認された現象で、マルチメッセンジャー天文学の起点となった。当時の観測は、キロノヴァの中で約0.05太陽質量の重r過程原子核が合成されたことを示唆し、中性子星合体が宇宙のr過程重元素の主要生成源である可能性を強く裏付けた。加熱の精度がキロノヴァ光度曲線の理論予測を左右するため、RHINEのような高精度・高速シミュレーションは、観測データから放出物質の質量、速度、組成を逆推定する精度に直結する。

3方向の応用

第1は理論と実験の直接的な接続である。GSI/FAIRが建設中の次世代加速器施設FAIRでは、r過程で重要な短寿命中性子過剰核の性質を実験的に測定する計画がある。RHINEを使えば、FAIR実験の結果をシミュレーションに素早く反映し、更新された理論予測を観測と比較する反復サイクルが実現する。これまでは計算コストの重さがこのサイクルを制約していた。第2は観測データの解釈精度向上である。LIGO、Virgo、KAGRAなどの重力波検出器が観測する中性子星合体イベントは今後増加すると見込まれており、それぞれのイベントについて放出物質の質量、速度、組成を推定するには大量のシミュレーションが必要となる。第3はパラメータ空間の探索である。中性子星の質量、状態方程式、合体形態などの初期条件がキロノヴァの見え方にどう影響するかを網羅的に調べるには、これまでは計算リソースが不足していた。RHINEの高速性はこの制約を大幅に緩和する。

関連分野と関連企業

r過程シミュレーションは基礎科学領域で、直接的な商業応用を持つ研究ではない。ただし、AI駆動科学計算という広い枠組みで見ると、複数の関連領域が存在する。

投資視点としては、AI駆動の科学計算全般が長期的なテーマとして立ち上がっている構図がある。核物理、天体物理、材料科学、創薬、気候モデリングなど、従来はスーパーコンピュータで数日を要していた計算をNNで秒〜分単位に短縮するアプローチが各分野で並走している。この流れは、AI計算基盤を提供するNvidia、AMD、Microsoft、Alphabet、そしてシミュレーションソフトウェアを提供するAnsysやCadence Design Systemsなどに構造的な追い風となる可能性がある。今回のRHINEはこの潮流の中の1事例と位置付けられる。

課題と今後の展望

RHINEの精度は、学習に使った参照計算ライブラリの網羅性に依存する。学習データに含まれない極端な条件下でNNがどう振る舞うかは慎重な検証が必要である。研究チームはこの点を認識しており、ソースコードを公開することで、世界中の研究者が独自の検証と拡張を行える体制を整えた。技術的な次のステップは、r過程加熱以外の物理過程、たとえばニュートリノ輸送、磁場の効果、一般相対論的流体力学の各要素にも同様のAI高速化を適用することである。それぞれが独立してNNで高速化されれば、全体としてのシミュレーション速度は複合的に向上する。観測側では、LIGO/Virgo/KAGRAの観測ラン、次世代地上重力波検出器Einstein Telescope、Cosmic Explorerの計画、そして電磁波観測のVera Rubin Observatory（LSST）が2020年代後半に本格稼働する。中性子星合体の観測イベント数は年間数個から数十個規模に増加する見込みで、それぞれについて詳細なシミュレーションと比較する需要が構造的に立ち上がる。理論側でも、AIによる高速化がなければこの需要には応えられない状況になりつつある。宇宙で金がどう作られたか、地球のウランはどこから来たか、という根源的な問いに答えるための、天体核物理とマルチメッセンジャー天文学の統合が、AIによって加速する時代に入りつつあるとみられる。RHINEは、その加速の中の1つの重要な部品として位置付けられる。