Forudsiger eksistensen af ​​tunge kerner ved hjælp af maskinlæring

Et samarbejde mellem Facility for Rare Isotope Beams (FRIB) og Department of Statistics and Probability (STT) ved Michigan State University (MSU) vurderede grænserne for atomeksistens ved at anvende statistisk analyse på nukleare modeller, og vurderede virkningen af ​​nuværende og fremtidige FRIB -eksperimenter.

Mere end 99,9 procent af det synlige univers er lavet af 286 stabile isotoper. Imidlertid, atomkraften tillader mange flere ustabile, radioaktive isotoper til at eksistere. Den ustabilitet kommer ofte fra, hvor svært det er at bevare samhørigheden, når der er mange flere neutroner end protoner i en given kerne. Vi kan aldrig observere de fleste af disse ustabile isotoper, men disse kortlivede indbyggere i atomgrænselandene har betydning:de styrer processerne i stjerner, der skaber alle tingene omkring os, og hvad vi er lavet af.

For over et år siden, FRIB og STT på MSU dannede et nyt samarbejde mellem atomfysik og statistik. Dette samarbejde, ledet af den fælles ansættelse af statistikforsker Dr. Léo Neufcourt, blev født for at få atomfysik og statistik til at arbejde sammen om at bygge forudsigelsesmodeller, der vil besvare grundlæggende spørgsmål om sjældne isotoper.

I lyset af den nylige opdagelse af otte nye sjældne isotoper af grundstofferne fosfor, svovl, chlor, argon, kalium, skandium, og calcium (de tungeste isotoper af disse grundstoffer, der nogensinde er fundet), FRIB/STT -teamet vurderede grænserne for nuklear eksistens i calciumområdet med en fuld kvantificering af usikkerheder, vurdere effekten af ​​den eksperimentelle opdagelse på forskning i nuklear struktur. Værket er udgivet i Fysisk gennemgangsbreve .

Gruppen brugte en statistisk ramme kaldet Bayesian machine learning, hvor statistiske modelparametre og forudsigelser opnås i form af en posterior sandsynlighed. I det væsentlige, denne ramme giver mulighed for at bruge nye data (beviser) til at estimere, hvor sandsynlige visse relaterede resultater er. Metoden, de anvender, forklares i et fælles papir i Fysisk gennemgang C . Efter en individuel analyse af flere nukleare modeller, deres forudsigelser kombineres ved hjælp af bayesianske vægte baseret på hver models evne til at redegøre for de seneste opdagelser.

Ved hjælp af de nyeste massedata og bevis for eksistensen af ​​klor, argon og svovl sammen med, hvad der i øjeblikket er kendt om eksisterende kerner, forskerne anvendte en bayesisk tilgang med nukleare teorimodeller for at forudsige, hvilke nye tunge kerner der kan være, og med hvilken sandsynlighed de kan eksistere. Denne analyse er en form for det, der undertiden kaldes supervised machine learning. Algoritmen får først nukleare modeller og oplysninger om eksperimentelt fundne kerner. Det undersøger et utal af muligheder, men koncentrerer sig derefter om de mest relevante i betragtning af de nuværende eksperimentelle data. Metoden giver forskere mulighed for at kvantificere deres forudsigelsers usikkerheder præcist og pålideligt.

I den sag, de vurderer, at tungere calciumisotoper, op til calcium-70, kunne eksistere (se figur). Ifølge disse resultater, calcium-68 er f.eks. 76 procent sandsynligt. Dette skøn kan ændre sig, når forskere opdager nye isotoper i samme region, som teamet vil bruge til at opdatere sine forudsigelser. I fremtiden, FRIB vil give forskere mulighed for potentielt at oprette calcium-68 eller endda calcium-70.

Teamet arbejder på flere andre anvendelser af bayesisk maskinlæring med applikationer til atomfysik, herunder et projekt til kalibrering af partikelstrålen i FRIB -acceleratoren. Metoden forventes at have direkte applikationer til områder, der har brug for kvantificerede data fra modelbaserede ekstrapolationer, såsom atomastrofysik.