Los Alamos Ulusal Laboratuvarı’ndaki bilim insanları, atom kütlelerini tahmin etmek ve evrende ağır elementlerin oluşmasında anahtar mekanizma olan r sürecini simüle etmek için makine öğreniminden yararlanıyor. Çalışmaları atom çekirdeği ve nükleer yapıların anlaşılmasını önemli ölçüde geliştirerek deneysel nükleer fizik araştırmalarını etkiledi. Kredi bilgileri: SciTechDaily.com
Makine öğrenimi tahminleri, nüklid grafiğinin atomik kütlelerini başarıyla modelliyor.
Evrenimizdeki ağır elementlerin kökeninin, nötron yıldızı serbest nötronların atom çekirdeğiyle birleşip saniyelik bir zaman diliminde yeni elementler oluşturmasına yetecek kadar sıcak ve yoğun koşullar üreten çarpışmalar. Bu teoriyi test etmek ve diğer astrofiziksel soruları yanıtlamak, atom çekirdeğinin çok çeşitli kütlelerine ilişkin tahminler gerektirir. Los Alamos Ulusal Laboratuvarı’ndaki bilim insanları kullanımda ön planda ve merkezdedir. makine öğrenme Tüm çekirdek grafiğinin atomik kütlelerini (elementleri ve bunların izotoplarını tanımlayan tüm olası proton ve nötronların birleşimi) başarılı bir şekilde modellemek için algoritmalar (bir yapay zeka uygulaması).
Teorik fizikçi ve atom kütleleri araştırmasını detaylandıran yakın tarihli birkaç makalenin ortak yazarı Matthew Mumpower, “Doğada henüz ölçülmemiş binlerce atom çekirdeği mevcut olabilir” dedi. “Makine öğrenimi algoritmaları, verilerdeki karmaşık korelasyonları bulabildikleri için çok güçlüdür; bu, teorik nükleer fizik modellerinin verimli bir şekilde üretmekte zorlandığı bir sonuçtur. Bu korelasyonlar bilim adamlarına ‘eksik fizik’ hakkında bilgi sağlayabilir ve atom kütlelerinin modern nükleer modellerini güçlendirmek için kullanılabilir.”
Hızlı Nötron Yakalama Sürecinin Simülasyonu
Yakın zamanda Mumpower ve Los Alamos’un eski yaz öğrencisi Mengke Li ve doktora sonrası araştırmacı Trevor Sprouse’un da aralarında bulunduğu meslektaşları bir makale yazdılar. Fizik Harfleri B[1] önemli bir astrofiziksel sürecin fizik tabanlı bir makine öğrenimi kütle modeliyle simüle edilmesini anlatıyordu. R süreci veya hızlı nötron yakalama süreci, nötron yıldızı çarpışmaları gibi ekstrem ortamlarda meydana gelen astrofiziksel bir süreçtir.
Bu “nükleosentez” sonucunda ağır elementler ortaya çıkabilir. Aslında bizmut’a kadar ağır izotopların yarısı ile toryum ve uranyumun tamamı r süreci tarafından yaratılmış olabilir.
İki nötron yıldızının çarpışmasından sonraki birikim diskinin Los Alamos simülasyonu. Bu olay hem hafif (mavi) hem de ağır (kırmızı) elementler üretir. Kredi bilgileri: Los Alamos Ulusal Laboratuvarı
Ancak modelleme R süreç, şu anda deneysel erişimin ötesinde olan atom kütlelerinin teorik tahminlerini gerektirir. Ekibin fizik bilgili makine öğrenimi yaklaşımı, büyük bir kütle veritabanı olan Atomik Kütle Değerlendirmesinden rastgele seçime dayanan bir modeli eğitiyor. Daha sonra araştırmacılar, r sürecini simüle etmek için bu tahmin edilen kütleleri kullanıyor. Model, ekibin ilk kez makine tarafından öğrenilen kütle tahminleriyle r-süreci nükleosentezini simüle etmesine olanak tanıdı; bu önemli bir başarı, çünkü makine öğrenimi tahminleri genel olarak tahmin yaparken bozuluyor.
Mumpower, “Makine öğrenimi atom kütlelerinin, deneysel verilere sahip olduğumuz yerlerin ötesinde tahminlere kapı açabileceğini gösterdik” dedi. “Kritik kısım, modele fizik yasalarına uymasını söylememizdir. Bunu yaparak, fizik tabanlı tahminlere olanak tanıyoruz. Sonuçlarımız çağdaş teorik modellerle aynı seviyede veya onlardan daha iyi performans gösteriyor ve yeni veriler mevcut olduğunda hemen güncellenebiliyor.”
Nükleer Yapıların Araştırılması
R-süreç simülasyonları, araştırma ekibinin makine öğreniminin nükleer yapıya ilişkin ilgili araştırmalara uygulanmasını tamamlar. Yakın zamanda yayınlanan bir makalede Fiziksel İnceleme C[2] Editörün Önerisi olarak seçilen ekip, niceliksel belirsizliklerle nükleer bağlanma enerjilerini yeniden üretmek için makine öğrenimi algoritmalarını kullandı; yani, bir atom çekirdeğini protonlara ve nötronlara ayırmak için gereken enerjiyi ve her tahmin için ilgili bir hata çubuğunu belirleyebildiler. Böylece algoritma, aksi durumda mevcut nükleer modellemeden elde edilmesi önemli miktarda hesaplama süresi ve kaynak gerektirecek bilgileri sağlar.
İlgili çalışmalarda,[3] Ekip, hassas deneysel verileri teorik bilgilerle birleştirmek için makine öğrenimi modelini kullandı. Bu sonuçlar[4] nükleer haritanın bilinen bölgesini genişletmeyi ve ağır elementlerin kökenini ortaya çıkarmayı amaçlayan yeni Nadir İzotop Kirişler Tesisi’ndeki ilk deneysel kampanyalardan bazılarını motive etti.
Referanslar:
- Mengke Li, Trevor M. Sprouse, Bradley S. Meyer ve Matthew R. Mumpower tarafından yazılan “Astrofiziksel r süreci için makine öğrenimi ile atomik kütleler”, 6 Aralık 2023, Fizik Harfleri B.
DOI: 10.1016/j.physletb.2023.138385 - AE Lovell, AT Mohan, TM Sprouse ve MR Mumpower tarafından yazılan “Nükleer kütleler olasılıksal bir sinir ağından öğrenildi”, 13 Temmuz 2022, Fiziksel İnceleme C.
DOI: 10.1103/PhysRevC.106.014305 - MR Mumpower, TM Sprouse, AE Lovell ve AT Mohan tarafından yazılan “Nükleer kütleler için fiziksel olarak yorumlanabilir makine öğrenimi”, 1 Ağustos 2022, Fiziksel İnceleme C.
DOI: 10.1103/PhysRevC.106.L021301 - Matthew Mumpower, Mengke Li, Trevor M. Sprouse, Bradley S. Meyer, Amy E. Lovell ve Arvind T. Mohan, “Makine Öğrenimi yaklaşımında atom çekirdeğinin temel durum kütlelerinin Bayes ortalaması”, 7 Temmuz 2023, Fizikte Sınırlar.
DOI: 10.3389/fphy.2023.1198572
Finansman: Bu çalışma Los Alamos’taki Laboratuvara Yönelik Araştırma ve Geliştirme programı ve NASA Yükselen Dünyalar programı.