Alguns dos átomos mais valiosos e misteriosos do cosmos, como os que dão origem a metais pesados, nascem em cenários tão violentos que desafiam a imaginação. Quando estrelas de nêutrons colidem, elas liberam quantidades extremas de energia e matéria, criando as condições ideais para a fabricação de elementos químicos raros e massivos. O problema é que entender esse processo em detalhes sempre exigiu simulações absurdamente complexas. Agora, um novo modelo de inteligência artificial promete mudar esse jogo.
Publicado em 8 de julho de 2026 na revista Physical Review D, o estudo liderado por Oliver Just apresenta o sistema RHINE, uma ferramenta baseada em aprendizado de máquina capaz de reproduzir com muito mais eficiência as reações nucleares envolvidas na formação de elementos pesados durante fusões de estrelas de nêutrons. O avanço pode aproximar observações astronômicas, teoria e experimentos realizados na Terra, acelerando uma área central da astrofísica nuclear.
Onde o Universo fabrica seus elementos mais raros
Boa parte dos elementos leves surgiu nos primeiros instantes após o Big Bang ou no interior de estrelas comuns. No entanto, os elementos mais pesados exigem ambientes muito mais extremos. É nesse contexto que entram as fusões de estrelas de nêutrons e algumas explosões estelares violentas.
Nesses eventos, ocorre o chamado processo r, abreviação de captura rápida de nêutrons. Em poucas palavras, núcleos atômicos absorvem nêutrons em alta velocidade e passam por transformações que os tornam cada vez mais pesados. É assim que o Universo consegue produzir uma parte importante dos elementos mais massivos da tabela periódica.
O grande desafio é que cada uma dessas etapas depende de uma rede imensa de reações nucleares, com inúmeras variáveis atuando ao mesmo tempo. Simular tudo isso com precisão consome um volume gigantesco de processamento computacional.
A IA entrou onde os cálculos emperravam
É justamente nesse gargalo que o novo modelo se destaca. O RHINE foi treinado com uma ampla biblioteca de cálculos detalhados, baseados em redes completas de reações nucleares. A partir desse treinamento, a IA aprende a estimar uma variável crucial: o aquecimento gerado pelo processo r.
Esse aquecimento não é um detalhe secundário. Ele influencia diretamente a forma como a matéria é ejetada durante a fusão, a velocidade com que esse material se espalha e até o brilho observado depois da explosão. No caso das colisões entre estrelas de nêutrons, esse clarão é conhecido como kilonova.
Em vez de recalcular toda a física nuclear a cada nova simulação, o modelo de aprendizado profundo faz aproximações altamente precisas com uma fração do custo computacional. Na prática, isso permite rodar simulações mais rápidas sem perder o essencial da física envolvida.
O que o modelo conseguiu mostrar
Segundo os resultados do estudo, o sistema apresentou alto grau de concordância com os cálculos de referência usados pelos pesquisadores. Isso sugere que a abordagem baseada em IA pode reproduzir, com boa fidelidade, a dinâmica energética do processo r em simulações hidrodinâmicas. Esse ponto é importante por três motivos:
- reduz drasticamente o tempo de computação necessário para modelar fusões estelares;
- melhora a inclusão do aquecimento nuclear nas simulações, algo decisivo para prever a evolução do material ejetado;
- facilita a conexão entre observações astronômicas e experimentos nucleares feitos em grandes centros de pesquisa.
Em ciência, esse tipo de ganho é valioso porque não representa apenas “fazer mais rápido”, mas testar mais cenários, comparar mais hipóteses e interpretar melhor os sinais observados no céu.
Por que isso importa para entender ouro, urânio e o próprio cosmos
A origem de muitos elementos pesados ainda guarda zonas cinzentas. Sabemos que eventos extremos são peças centrais nessa história, mas ainda faltam detalhes sobre quanto material é produzido, em que condições e como isso se traduz na luz detectada por telescópios.
Ferramentas como o RHINE ajudam a preencher essas lacunas. Ao tornar as simulações mais acessíveis e realistas, o modelo pode contribuir para decifrar melhor a produção cósmica de elementos associados a metais preciosos e radioativos, além de orientar futuras comparações com dados de observatórios e experimentos em instalações como o FAIR, na Alemanha.
No fim das contas, o estudo publicado na Physical Review D por Oliver Just e colegas mostra algo cada vez mais claro na ciência moderna: a inteligência artificial não está apenas acelerando cálculos. Ela está se tornando uma ponte entre fenômenos extremos do Universo e a nossa capacidade de compreendê-los. E, nesse caso, essa ponte pode revelar como algumas das matérias-primas mais raras do cosmos nasceram em explosões que duram segundos, mas moldam a química do Universo por bilhões de anos.
