Maskinlæringsteknikker forbedrer opdagelsen af ​​exciterede nukleare niveauer i svovl-38

Et fast antal protoner og neutroner - kernernes byggesten - kan omarrangere sig selv inden for en enkelt kerne. Produkterne af denne omrokering omfatter elektromagnetiske (gammastråle) overgange. Disse overgange forbinder ophidsede energiniveauer kaldet kvanteniveauer, og mønstret i disse forbindelser giver et unikt "fingeraftryk" for hver isotop.

Bestemmelse af disse fingeraftryk giver en følsom test af videnskabsmænds evne til at beskrive en af ​​de grundlæggende kræfter, den stærke (kernekraft), der holder protoner og neutroner sammen.

I laboratoriet kan forskere starte bevægelsen af ​​protoner og neutroner gennem en injektion af overskydende energi ved hjælp af en nuklear reaktion.

I et papir, udgivet i Physical Review C , brugte forskere med succes denne tilgang til at studere fingeraftrykket af svovl-38. De brugte også maskinlæring og andre banebrydende værktøjer til at analysere dataene.

Resultaterne giver ny empirisk information om "fingeraftrykket" af kvanteenerginiveauer i svovl-38-kernen. Sammenligninger med teoretiske modeller kan føre til vigtig ny indsigt. For eksempel fremhævede en af ​​beregningerne den nøglerolle, som en bestemt nukleonorbital spiller i modellens evne til at reproducere fingeraftryk af svovl-38 såvel som nabokerner.

Undersøgelsen er også vigtig for dens første succesfulde implementering af en specifik maskinlæringsbaseret tilgang til klassificering af data. Forskere tager denne tilgang til andre udfordringer i eksperimentelt design.

Forskere brugte en måling, der inkluderede en maskinlæring (ML) assisteret analyse af de indsamlede data for bedre at bestemme de unikke kvanteenerginiveauer - et "fingeraftryk" dannet gennem omlejringen af ​​protonerne og neutronerne - i den neutronrige kerne svovl-38 .

Resultaterne fordoblede mængden af ​​empirisk information om netop dette fingeraftryk. De brugte en kernereaktion, der involverede fusion af to kerner, en fra en tung-ion-stråle og den anden fra et mål, til at producere isotopen og introducere den nødvendige energi til at excitere den til højere kvanteniveauer.

Reaktionen og målingen udnyttede en tung-ion-stråle produceret af ATLAS Facility (en Department of Energy-brugerfacilitet), et mål produceret af Center for Accelerator and Target Science (CATS), detektering af elektromagnetiske henfald (gammastråler) vha. Gamma-Ray Energy Tracking Array (GRETINA) og påvisning af kernerne produceret ved hjælp af Fragment Mass Analyzer (FMA).

På grund af kompleksiteten i de eksperimentelle parametre - som hang mellem produktionsudbyttet af svovl-38 kernerne i reaktionen og de optimale indstillinger for detektion - tilpassede og implementerede forskningen ML-teknikker gennem hele datareduktionen.

Disse teknikker opnåede betydelige forbedringer i forhold til andre teknikker. Selve ML-rammen bestod af et fuldt forbundet neuralt netværk, der blev trænet under opsyn til at klassificere svovl-38-kerner mod alle andre isotoper produceret af kernereaktionen.

Flere oplysninger: C. R. Hoffman et al., Eksperimentel undersøgelse af ³⁸ S ophidset niveau skema, Physical Review C (2023). DOI:10.1103/PhysRevC.107.064311. På arXiv (2023):DOI:10.48550/arxiv.2305.16969

Leveret af det amerikanske energiministerium