Ursprunget till tunga grundämnen i vårt universum antas vara resultatet av kollisioner med neutronstjärnor, som ger förhållanden varma och täta nog för att fria neutroner ska smälta samman med atomkärnor och bilda nya grundämnen i ett tidsfönster på en del av en sekund. Att testa denna teori och svara på andra astrofysiska frågor kräver förutsägelser för ett stort antal massor av atomkärnor.
Forskare från Los Alamos National Laboratory står i centrum för att använda maskininlärningsalgoritmer (en tillämpning av artificiell intelligens) för att framgångsrikt modellera atommassorna i hela nukliddiagrammet – kombinationen av alla möjliga protoner och neutroner som definierar grundämnen och deras isotoper.
"Många tusentals atomkärnor som ännu inte har mätts kan finnas i naturen", säger Matthew Mumpower, en teoretisk fysiker och medförfattare på flera nya artiklar som beskriver atommassaforskning. "Machine learning algoritmer är mycket kraftfulla, eftersom de kan hitta komplexa korrelationer i data, ett resultat som teoretiska kärnfysikmodeller kämpar för att effektivt producera. Dessa korrelationer kan ge information till forskare om "saknad fysik" och kan i sin tur användas för att stärka modern kärnmodeller av atommassor."
Senast skrev Mumpower och hans kollegor, inklusive tidigare Los Alamos sommarstudent Mengke Li och postdoc Trevor Sprouse, en artikel i Physics Letters B som beskrev simulering av en viktig astrofysisk process med en fysikbaserad massmodell för maskininlärning.
r-processen, eller snabb neutronfångstprocess, är den astrofysiska processen som sker i extrema miljöer, som de som produceras av kollisioner med neutronstjärnor. Tunga grundämnen kan härröra från denna "nukleosyntes"; i själva verket kan hälften av de tunga isotoper upp till vismut och allt torium och uran i universum ha skapats av r-processen.
Men att modellera r-processen kräver teoretiska förutsägelser av atommassor som för närvarande ligger utanför experimentell räckvidd. Teamets fysikinformerade maskininlärningsmetod tränar en modell baserad på slumpmässigt urval från Atomic Mass Evaluation, en stor databas med massor. Därefter använder forskarna dessa förutspådda massor för att simulera r-processen.
Modellen gjorde det möjligt för teamet att simulera r-process nukleosyntes med maskininlärda massförutsägelser för första gången – en betydande bedrift, eftersom maskininlärningsförutsägelser i allmänhet går sönder vid extrapolering.
"Vi har visat att maskininlärning atommassor kan öppna dörren till förutsägelser bortom där vi har experimentella data," sa Mumpower. "Den kritiska biten är att vi säger åt modellen att lyda fysikens lagar. Genom att göra det möjliggör vi fysikbaserade extrapolationer. Våra resultat är i paritet med eller överträffar samtida teoretiska modeller och kan omedelbart uppdateras när ny data finns tillgänglig. "
r-processsimuleringarna kompletterar forskargruppens tillämpning av maskininlärning på relaterade undersökningar av kärnkraftsstruktur. I en artikel från 2022 publicerad i Physical Review C utvalda som ett redaktörsförslag använde teamet maskininlärningsalgoritmer för att reproducera kärnbindningsenergier med kvantifierade osäkerheter; det vill säga, de kunde fastställa den energi som behövdes för att separera en atomkärna i protoner och neutroner, tillsammans med en tillhörande felstapel för varje förutsägelse. Algoritmen tillhandahåller således information som annars skulle ta betydande beräkningstid och resurser att erhålla från nuvarande nukleära modellering.
I ett relaterat arbete också publicerat i Physical Review C 2022 använde teamet sin maskininlärningsmodell för att kombinera experimentell precisionsdata med teoretisk kunskap.
Dessa resultat, även publicerade i en artikel från 2023 i Frontiers in Physics har motiverat några av de första experimentella kampanjerna vid den nya anläggningen för sällsynta isotopstrålar, som syftar till att expandera den kända delen av kärnkraftsdiagrammet och avslöja ursprunget till de tunga elementen.
Mer information: Mengke Li et al, Atommassor med maskininlärning för den astrofysiska r-processen, Physics Letters B (2023). DOI:10.1016/j.physletb.2023.138385
Journalinformation: Fysikbokstäver B , Fysisk granskning C
Tillhandahålls av Los Alamos National Laboratory
