|
ИИ помогает определить происхождение тяжелых элементов
|
|
|
|
Теоретически происхождение тяжелых элементов в нашей Вселенной является результатом столкновений нейтронных звезд, которые создают условия, достаточно горячие и плотные для того, чтобы свободные нейтроны могли сливаться с атомными ядрами и образовывать новые элементы за доли секунды. Проверка этой теории и ответы на другие астрофизические вопросы требуют предсказаний для широкого диапазона масс атомных ядер. Ученые Лос—Аламосской национальной лаборатории активно используют алгоритмы машинного обучения (приложение искусственного интеллекта) для успешного моделирования атомных масс всей таблицы нуклидов - комбинации всех возможных протонов и нейтронов, которая определяет элементы и их изотопы. "Многие тысячи атомных ядер, которые еще предстоит измерить, могут существовать в природе", - сказал Мэтью Мампауэр, физик-теоретик и соавтор нескольких недавних работ, подробно описывающих исследования атомных масс. "Алгоритмы машинного обучения очень мощные, поскольку они могут находить сложные корреляции в данных, результат, который теоретические модели ядерной физики с трудом могут эффективно воспроизвести. Эти корреляции могут предоставить ученым информацию о "недостающей физике" и, в свою очередь, могут быть использованы для усиления современных ядерных моделей атомных масс".
|
|
|
|
Совсем недавно Мампауэр и его коллеги, в том числе бывший летний студент из Лос-Аламоса Менгке Ли и постдок Тревор Спроус, написали статью в Physics Letters B, в которой описывалось моделирование важного астрофизического процесса с помощью массовой модели машинного обучения, основанной на физике. Процесс r, или процесс быстрого захвата нейтронов, - это астрофизический процесс, который происходит в экстремальных условиях, подобных тем, которые возникают при столкновениях нейтронных звезд. Тяжелые элементы могут образовываться в результате этого "нуклеосинтеза"; фактически, половина тяжелых изотопов вплоть до висмута и весь торий и уран во Вселенной, возможно, были созданы в результате r-процесса. Но моделирование процесса r требует теоретических предсказаний атомных масс, которые в настоящее время недоступны для экспериментов. Основанный на физике подход команды к машинному обучению обучает модель, основанную на случайном выборе из оценки атомной массы, большой базы данных масс. Затем исследователи используют эти предсказанные массы для моделирования процесса r.
|
|
|
Модель позволила команде впервые смоделировать нуклеосинтез r-процесса с помощью массовых прогнозов, полученных с помощью машинного обучения, что является значительным достижением, поскольку прогнозы машинного обучения обычно нарушаются при экстраполяции. "Мы показали, что машинное обучение массам атомов может открыть дверь для предсказаний, выходящих за рамки имеющихся у нас экспериментальных данных", - сказал Мампауэр. "Критическая часть заключается в том, что мы заставляем модель подчиняться законам физики. Поступая таким образом, мы делаем возможными экстраполяции, основанные на физике. Наши результаты соответствуют современным теоретическим моделям или превосходят их, и могут быть немедленно обновлены при появлении новых данных". Моделирование r-процесса дополняет применение исследовательской группой машинного обучения для соответствующих исследований структуры ядра. В статье 2022 года, опубликованной в Physical Review C, выбранной по предложению редактора, команда использовала алгоритмы машинного обучения для воспроизведения энергий ядерной связи с количественными неопределенностями; то есть они смогли определить энергию, необходимую для разделения атомного ядра на протоны и нейтроны, а также соответствующую полосу ошибок для каждого из них. предсказание.
|
|
|
|
Таким образом, алгоритм предоставляет информацию, получение которой в противном случае потребовало бы значительного вычислительного времени и ресурсов при текущем ядерном моделировании. В соответствующей работе, также опубликованной в Physical Review C в 2022 году, команда использовала свою модель машинного обучения для объединения точных экспериментальных данных с теоретическими знаниями. Эти результаты, также опубликованные в статье 2023 года в журнале Frontiers in Physics, послужили мотивом для проведения некоторых первых экспериментальных кампаний на новой установке для получения пучков редких изотопов, целью которых является расширение известной области ядерной карты и раскрытие происхождения тяжелых элементов.
|
|
|
|
Источник
|
