De oorsprong van zware elementen in het heelal is theoretisch het gevolg van botsingen met neutronensterren. De hoge temperatuur en hoge dichtheid die door botsingen met neutronensterren worden gegenereerd, zijn voldoende om vrije neutronen te laten samensmelten met atoomkernen en in een mum van tijd nieuwe elementen te vormen. Om deze theorie te testen en andere astrofysische vragen te beantwoorden, zijn voorspellingen nodig over het enorme bereik van massa's van atoomkernen.Wetenschappers van het Los Alamos National Laboratory waren de eersten die machine learning-algoritmen, een toepassing van kunstmatige intelligentie, gebruikten om met succes een atomair massamodel van de gehele nuclidenkaart te bouwen - alle mogelijke combinaties van protonen en neutronen die een element en zijn isotopen definiëren.
Theoretisch natuurkundige Matthew Mumpower zei: "Er kunnen duizenden kernen in de natuur zijn die nog niet zijn gemeten. Machine learning-algoritmen zijn zeer krachtig omdat ze complexe correlaties kunnen vinden in de gegevens die theoretische kernfysica-modellen moeilijk efficiënt kunnen produceren. Deze correlaties kunnen wetenschappers voorzien van informatie over 'ontbrekende natuurkunde', die op zijn beurt kan worden gebruikt om moderne nucleaire modellen van atoommassa's te versterken. '
Simuleer het snelle neutronenvangstproces
Onlangs publiceerden Mumpower en collega's (waaronder voormalig zomerstudent Mengke Li uit Los Alamos en postdoc Trevor Sprouse) een artikel in Physics Letters B waarin het gebruik van een op fysica gebaseerd machine learning-massamodel wordt beschreven om een belangrijk astrofysisch proces te simuleren. Het r-proces, het snelle neutronenvangstproces, is een astrofysisch proces dat plaatsvindt in extreme omgevingen, zoals de omgeving die ontstaat door botsingen met neutronensterren.
Uit deze "nucleosynthese" kunnen zware elementen voortkomen. In feite werd waarschijnlijk de helft van de zware isotopen in het universum, tot aan bismut en al het thorium en uranium, geproduceerd door dit "nucleosynthese"-proces.
Het modelleren van dit proces vereist echter theoretische voorspellingen van atoommassa's, wat met de huidige experimenten niet mogelijk is. Het onderzoeksteam gebruikte fysieke informatie-machine learning-methoden om willekeurig uit de grote massadatabase van Atomic Mass Evaluation (AtomicMassEvaluation) te selecteren en een model te trainen. Vervolgens gebruikten de onderzoekers de massa van deze voorspellingen om het r-proces te simuleren. Met het model kon het onderzoeksteam voor het eerst de R-proces-nucleosynthese simuleren met de kwaliteit van machine learning-voorspellingen - een belangrijke primeur omdat machine learning-voorspellingen vaak instorten bij extrapolatie.
"We hebben aangetoond dat machinaal leren van atoommassa's de deur kan openen naar voorspellingen die verder gaan dan experimentele gegevens", aldus Mumpower. "Het belangrijkste punt is dat we het model vertellen dat het de wetten van de natuurkunde moet gehoorzamen. Door dit te doen, zijn we in staat op natuurkunde gebaseerde gevolgtrekkingen te maken. Onze resultaten zijn vergelijkbaar met of beter dan hedendaagse theoretische modellen, en kunnen onmiddellijk worden bijgewerkt als er nieuwe gegevens beschikbaar komen."
Bestudeer de nucleaire structuur
De r-processimulatie vormt een aanvulling op de toepassing van machinaal leren door het onderzoeksteam op studies die verband houden met de nucleaire structuur. In een recent artikel gepubliceerd in Physical Review C dat werd geselecteerd als een "suggestie van de redactie", gebruikte het team machine learning-algoritmen om nucleaire bindingsenergieën met kwantitatieve onzekerheid te reproduceren; dat wil zeggen, ze waren in staat om de energie te bepalen die nodig is om een atoomkern in protonen en neutronen te scheiden, evenals de bijbehorende foutbalken voor elke voorspelling. Daarom levert dit algoritme informatie op die aanzienlijke rekentijd en middelen zou vergen om te verkrijgen uit de huidige nucleaire modellering.
In gerelateerd werk gebruikte het onderzoeksteam hun machine learning-model om nauwkeurige experimentele gegevens te combineren met theoretische kennis. Deze resultaten inspireerden enkele van de eerste experimentele activiteiten in de nieuwe Rare Isotope Beam Facility, die tot doel heeft het bekende gebied van de nucleaire kaart uit te breiden en de oorsprong van zware elementen te onthullen.
Samengesteld uit: ScitechDaily