Er wordt aangenomen dat de oorsprong van zware elementen in ons universum het resultaat is van botsingen tussen neutronensterren, die omstandigheden creëren die heet en compact genoeg zijn om vrije neutronen te laten samensmelten met atoomkernen en nieuwe elementen te vormen in een fractie van een seconde. Om deze theorie te testen en andere astrofysische vragen te beantwoorden, zijn voorspellingen nodig voor een groot aantal massa's atoomkernen.
Wetenschappers van het Los Alamos National Laboratory lopen voorop bij het gebruik van machine learning-algoritmen (een toepassing van kunstmatige intelligentie) om met succes de atoommassa's van de gehele nuclidenkaart te modelleren - de combinatie van alle mogelijke protonen en neutronen die elementen en hun isotopen definieert.
“Er kunnen in de natuur vele duizenden atoomkernen voorkomen die nog moeten worden gemeten”, zegt Matthew Mumpower, een theoretisch natuurkundige en co-auteur van verschillende recente artikelen over het onderzoek naar atoommassa’s. “Machine learning-algoritmen zijn zeer krachtig, omdat ze complexe correlaties in gegevens kunnen vinden, een resultaat dat theoretische kernfysica-modellen moeilijk efficiënt kunnen produceren. Deze correlaties kunnen wetenschappers informatie verschaffen over ‘ontbrekende natuurkunde’ en kunnen op hun beurt worden gebruikt om moderne nucleaire modellen van atoommassa’s te versterken.”
Simulatie van het snelle neutronenvangstproces
Recentelijk schreven Mumpower en zijn collega's, waaronder voormalig zomerstudent Mengke Li uit Los Alamos en postdoc Trevor Sprouse, een artikel in Natuurkunde Letters B waarin werd beschreven hoe een belangrijk astrofysisch proces werd gesimuleerd met een op fysica gebaseerd machine learning-massamodel.
Het r-proces, of het snelle neutronenvangstproces, is het astrofysische proces dat plaatsvindt in extreme omgevingen, zoals die veroorzaakt door botsingen met neutronensterren. Zware elementen kunnen het gevolg zijn van deze “nucleosynthese”; in feite kan de helft van de zware isotopen tot aan bismut en al het thorium en uranium in het universum door het r-proces zijn ontstaan.
Maar het modelleren van het r-proces vereist theoretische voorspellingen van atoommassa's die momenteel buiten experimenteel bereik liggen. De op fysica gebaseerde machine learning-aanpak van het team traint een model dat is gebaseerd op willekeurige selectie uit de Atomic Mass Evaluation, een grote database met massa's. Vervolgens gebruiken de onderzoekers deze voorspelde massa's om het r-proces te simuleren.
Met het model kon het team voor het eerst de r-proces-nucleosynthese simuleren met machinaal geleerde massavoorspellingen – een belangrijke prestatie, omdat voorspellingen van machine learning over het algemeen mislukken bij extrapolatie.
“We hebben aangetoond dat atoommassa’s door machinaal leren de deur kunnen openen naar voorspellingen die verder gaan dan waar we over experimentele gegevens beschikken”, aldus Mumpower. “Het cruciale punt is dat we het model vertellen dat het de wetten van de natuurkunde moet gehoorzamen. Door dit te doen, maken we op fysica gebaseerde extrapolaties mogelijk. Onze resultaten zijn vergelijkbaar met of beter dan hedendaagse theoretische modellen en kunnen onmiddellijk worden bijgewerkt wanneer nieuwe gegevens beschikbaar zijn.”
Onderzoek naar nucleaire structuren
De r-processimulaties vormen een aanvulling op de toepassing van machinaal leren door het onderzoeksteam op gerelateerd onderzoek naar de nucleaire structuur. In een artikel uit 2022 gepubliceerd in Fysieke beoordeling C geselecteerd als suggestie van de redactie, gebruikte het team machine learning-algoritmen om nucleaire bindingsenergieën met gekwantificeerde onzekerheden te reproduceren; dat wil zeggen, ze waren in staat om de energie vast te stellen die nodig is om een atoomkern in protonen en neutronen te scheiden, samen met een bijbehorende foutbalk voor elke voorspelling. Het algoritme levert dus informatie die anders aanzienlijke rekentijd en middelen zou vergen om te verkrijgen uit de huidige nucleaire modellering.
In een gerelateerd werk, ook gepubliceerd in Fysieke beoordeling C in 2022 gebruikte het team hun machine learning-model om experimentele precisiegegevens te combineren met theoretische kennis.
Deze resultaten, ook gepubliceerd in een artikel uit 2023 in Grenzen in de natuurkunde hebben enkele van de eerste experimentele campagnes gemotiveerd bij de nieuwe Facility for Rare Isotope Beams, die tot doel heeft het bekende gebied van de nucleaire kaart uit te breiden en de oorsprong van de zware elementen bloot te leggen.