AI til astrofysik:Algoritmer hjælper med at kortlægge oprindelsen af ​​tunge grundstoffer

Oprindelsen af ​​tunge grundstoffer i vores univers teoretiseres til at være resultatet af neutronstjernekollisioner, som frembringer forhold varme og tætte nok til, at frie neutroner kan smelte sammen med atomkerner og danne nye grundstoffer i et splitsekund tidsvindue. At teste denne teori og besvare andre astrofysiske spørgsmål kræver forudsigelser for en lang række masser af atomkerner.

Forskere fra Los Alamos National Laboratory er front og center i at bruge maskinlæringsalgoritmer (en anvendelse af kunstig intelligens) til succesfuldt at modellere atommasserne af hele nukliddiagrammet – kombinationen af ​​alle mulige protoner og neutroner, der definerer grundstoffer og deres isotoper.

"Mange tusinder af atomkerner, der endnu ikke er blevet målt, kan eksistere i naturen," sagde Matthew Mumpower, en teoretisk fysiker og medforfatter på flere nyere artikler, der beskriver atommasseforskning. "Machine learning algoritmer er meget kraftfulde, da de kan finde komplekse sammenhænge i data, et resultat som teoretiske kernefysiske modeller kæmper for effektivt at producere. Disse korrelationer kan give information til videnskabsmænd om 'manglende fysik' og kan igen bruges til at styrke moderne nukleare modeller af atommasser."

Simulering af den hurtige neutronindfangningsproces

Senest har Mumpower og hans kolleger, herunder den tidligere Los Alamos-sommerstuderende Mengke Li og postdoc Trevor Sprouse, skrevet en artikel i Physics Letters B der beskrev simulering af en vigtig astrofysisk proces med en fysikbaseret maskinlæringsmassemodel.

r-processen, eller hurtig neutronfangstproces, er den astrofysiske proces, der forekommer i ekstreme miljøer, som dem, der produceres af neutronstjernekollisioner. Tunge grundstoffer kan være resultatet af denne "nukleosyntese"; faktisk kan halvdelen af ​​de tunge isotoper op til bismuth og alt thorium og uran i universet være skabt af r-processen.

Men modellering af r-processen kræver teoretiske forudsigelser af atommasser i øjeblikket uden for eksperimentel rækkevidde. Holdets fysikinformerede maskinlæringstilgang træner en model baseret på tilfældig udvælgelse fra Atomic Mass Evaluation, en stor database med masser. Dernæst bruger forskerne disse forudsagte masser til at simulere r-processen.

Modellen gjorde det muligt for holdet at simulere r-proces nukleosyntese med maskinlærte masseforudsigelser for første gang – en betydelig bedrift, da maskinlæringsforudsigelser generelt går i stykker, når de ekstrapoleres.

"Vi har vist, at maskinlæring atommasser kan åbne døren til forudsigelser ud over, hvor vi har eksperimentelle data," sagde Mumpower. "Den kritiske brik er, at vi fortæller modellen at adlyde fysikkens love. Ved at gøre det muliggør vi fysikbaserede ekstrapolationer. Vores resultater er på niveau med eller udkonkurrerer nutidige teoretiske modeller og kan straks opdateres, når nye data er tilgængelige. "

Undersøgelse af nukleare strukturer

r-processimuleringerne supplerer forskerholdets anvendelse af maskinlæring til relaterede undersøgelser af nuklear struktur. I en artikel fra 2022 offentliggjort i Physical Review C udvalgt som et redaktørforslag brugte holdet maskinlæringsalgoritmer til at reproducere nukleare bindingsenergier med kvantificerede usikkerheder; det vil sige, at de var i stand til at fastslå den nødvendige energi til at adskille en atomkerne i protoner og neutroner sammen med en tilhørende fejlbjælke for hver forudsigelse. Algoritmen giver således information, som ellers ville tage betydelig beregningstid og ressourcer at opnå fra nuværende nuklear modellering.

I et relateret værk også udgivet i Physical Review C i 2022 brugte holdet deres maskinlæringsmodel til at kombinere præcise eksperimentelle data med teoretisk viden.

Disse resultater er også offentliggjort i en artikel fra 2023 i Grænser i fysik har motiveret nogle af de første eksperimentelle kampagner på den nye facilitet for sjældne isotopstråler, som søger at udvide den kendte region af atomkortet og afdække oprindelsen af ​​de tunge grundstoffer.

Flere oplysninger: Mengke Li et al, Atommasser med maskinlæring til den astrofysiske r-proces, Physics Letters B (2023). DOI:10.1016/j.physletb.2023.138385

Journaloplysninger: Fysik bogstaver B , Fysisk gennemgang C

Leveret af Los Alamos National Laboratory