Ett samarbete mellan Facility for Rare Isotope Beams (FRIB) och Department of Statistics and Probability (STT) vid Michigan State University (MSU) uppskattade gränserna för kärnkraftsexistens genom att tillämpa statistisk analys på kärntekniska modeller, och bedömde effekten av nuvarande och framtida FRIB-experiment.

Mer än 99,9 procent av det synliga universum består av 286 stabila isotoper. Dock, kärnkraften tillåter många mer instabila, radioaktiva isotoper att existera. Den instabiliteten kommer ofta av hur svårt det är att hålla sammanhållningen när det finns många fler neutroner än protoner i en given kärna. Vi kanske aldrig kommer att observera de flesta av dessa instabila isotoper, men dessa kortlivade invånare i de nukleära gränsländerna är viktiga:de styr processerna i stjärnor som skapar allt omkring oss, och vad vi är gjorda av.

Över ett år sedan, FRIB och STT vid MSU bildade ett nytt samarbete mellan kärnfysik och statistiska vetenskaper. Detta samarbete, ledd av den gemensamma anställningen av statistikforskaren Dr. Léo Neufcourt, föddes för att få kärnfysik och statistik att arbeta tillsammans för att bygga prediktiva modeller som kommer att svara på grundläggande frågor om sällsynta isotoper.

I ljuset av den senaste upptäckten av åtta nya sällsynta isotoper av grundämnena fosfor, svavel, klor, argon, kalium, skandium, och kalcium (de tyngsta isotoper av dessa grundämnen som någonsin hittats), FRIB/STT-teamet uppskattade gränserna för nukleär existens i kalciumregionen med en fullständig kvantifiering av osäkerheter, bedöma effekterna av den experimentella upptäckten på forskning om kärnstrukturer. Verket publiceras i Fysiska granskningsbrev .

Gruppen använde ett statistiskt ramverk som heter Bayesian machine learning, där statistiska modellparametrar och förutsägelser erhålls i form av en posterior sannolikhet. I huvudsak, detta ramverk gör det möjligt att använda nya data (bevis) för att uppskatta hur troliga vissa relaterade utfall är. Metodiken de använder förklaras i en gemensam artikel i Fysisk granskning C . Efter en individuell analys av flera kärnkraftsmodeller, deras förutsägelser kombineras med Bayesianska vikter baserat på varje modells förmåga att redogöra för de senaste upptäckterna.

Med hjälp av de senaste massdata och bevis på förekomsten av klor, argon och svavel tillsammans med vad som för närvarande är känt om befintliga kärnor, forskarna tillämpade en Bayesiansk metod med kärnteoretiska modeller för att förutsäga vilka nya tunga kärnor kan vara, och med vilken sannolikhet de kan existera. Denna analys är en form av vad som ibland kallas övervakad maskininlärning. Algoritmen ges först nukleära modeller och information om experimentellt funna kärnor. Den utforskar en myriad av möjligheter men koncentrerar sig sedan kring de mest relevanta med tanke på nuvarande experimentella data. Metodiken gör det möjligt för forskare att kvantifiera sina förutsägelsers osäkerheter exakt och tillförlitligt.

I den frågan, de uppskattar att tyngre kalciumisotoper, upp till kalcium-70, kan finnas (se bild). Enligt dessa resultat, kalcium-68 till exempel är 76 procent sannolikt att existera. Denna uppskattning kan ändras när forskare upptäcker nya isotoper i samma region, som laget kommer att använda för att uppdatera sina förutsägelser. I framtiden, FRIB kommer att tillåta forskare att potentiellt skapa kalcium-68 eller till och med kalcium-70.

Teamet arbetar med flera andra användningar av Bayesiansk maskininlärning med tillämpningar för kärnfysik, inklusive ett projekt för att kalibrera partikelstrålen i FRIB-acceleratorn. Metodiken förväntas ha direkta tillämpningar på områden som behöver kvantifierade data från modellbaserade extrapolationer, såsom kärnastrofysik.