Ein internationales Forschungsteam hat eine bahnbrechende Methode entwickelt, um mit Hilfe von künstlicher Intelligenz und maschinellem Lernen die fundamentalen Kräfte im Inneren von Atomkernen zu entschlüsseln. Die Ergebnisse dieser Studie wurden kürzlich in der Fachzeitschrift Nature Communications veröffentlicht. Die Wissenschaftler verbinden dabei astrophysikalische Beobachtungen mit quantenmechanischen Modellen, um zu verstehen, wie Neutronen und Protonen unter extremen Bedingungen in dichter Materie wechselwirken. Bislang war es physikalisch kaum möglich, diese Verbindung zwischen dem makroskopischen Universum und der mikroskopischen Quantenwelt robust herzustellen. Ingo Tews von der Los Alamos National Laboratory betont, dass dies erstmals gelungen ist. Das Team, an dem auch Wissenschaftler der Technischen Universität Darmstadt beteiligt waren, nutzte Daten aus verschiedenen Quellen. Dazu gehören Gravitationswellen der Verschmelzung zweier Neutronensterne im Jahr 2017, die vom LIGO-Observatorium aufgezeichnet wurden, sowie Röntgendaten des Teleskops NICER der NASA. Diese Kombination aus unterschiedlichen Signalen wird als Multimessenger-Astronomie bezeichnet. Das Hauptproblem bei der Analyse solcher Daten liegt in der hohen Komplexität der Berechnungen. Die direkte Simulation der Wechselwirkungen in Neutronensternen wäre rechnerisch kaum leistbar und könnte Stunden bis Tage auf tausenden von Prozessorkernen in Anspruch nehmen. Um diese Hürde zu überwinden, entwickelten die Forscher ein KI-Framework, das diese aufwendigen Berechnungen durch zwei spezifische Algorithmen ersetzt. Ein Algorithmus nutzt das Verständnis der zugrundeliegenden Quantenphysik, um schnell Eigenschaften von dichter Materie zu bestimmen. Der zweite Algorithmus, ein neuronales Netzwerk, das mit großen Datenmengen trainiert wurde, verbindet diese Materieeigenschaften direkt mit beobachtbaren Größen von Neutronensternen. Dieses System fungiert als Surrogat für die hochpräzisen, aber extrem rechenintensiven Berechnungen. Die Ergebnisse zeigten, dass die entwickelten Werkzeuge weit besser abschnitten als erwartet. Die durch das KI-Modell gewonnenen Einschränkungen für die starke Kernkraft stimmen konsistent mit bekannten Daten aus irdischen Experimenten überein, wenn auch mit größeren Unsicherheitsbereichen. Isak Svensson von der Technischen Universität Darmstadt zufolge eröffnet dieser Ansatz ein neues Fenster für die Physik der starken Kraft. Ein besonderer Fokus der Forschung lag auf sogenannten Drei-Körper-Kräften, die nur auftreten, wenn drei oder mehr Nukleonen eng beieinander liegen. Dies ist einer der am wenigsten verstandenen Aspekte der Kernwechselwirkung. Neutronensterne sind die dichtesten Objekte im Universum und können eine doppelte Sonnenmasse bei einem Durchmesser von lediglich 24 Kilometern aufweisen. In ihrem Inneren herrschen Bedingungen, die denen im Zentrum von Atomkernen ähneln. Die Erforschung dieser Zustände könnte auch Hinweise auf exotische Materieformen liefern, wie etwa Phasenübergänge zu freien Quarks und Gluonen. Die Methodik des Teams ist nicht nur auf historische Daten beschränkt, sondern soll als direkte Anwendung für zukünftige Detektoren dienen. Planungen für nächste Generation von Observatorien wie dem Einstein-Teleskop in Europa und dem Cosmic Explorer in den USA sind bereits im Gange. Für diese neuen Einrichtungen verspricht das KI-Framework noch präzisere Einschränkungen und damit tiefere Einblicke in die Natur der fundamentalen Kräfte.