Se teoriza que el origen de los elementos pesados en nuestro universo es el resultado de las colisiones de estrellas de neutrones, que producen condiciones lo suficientemente calientes y densas como para que los neutrones libres se fusionen con los núcleos atómicos y formen nuevos elementos en una ventana de tiempo de una fracción de segundo. Probar esta teoría y responder otras preguntas astrofísicas requiere predicciones para una amplia gama de masas de núcleos atómicos.
Los científicos del Laboratorio Nacional de Los Álamos están al frente y al centro en el uso de algoritmos de aprendizaje automático (una aplicación de inteligencia artificial) para modelar con éxito las masas atómicas de toda la tabla de nucleidos:la combinación de todos los protones y neutrones posibles que define los elementos y sus isótopos. P>
"Muchos miles de núcleos atómicos que aún no se han medido pueden existir en la naturaleza", dijo Matthew Mumpower, físico teórico y coautor de varios artículos recientes que detallan la investigación de las masas atómicas. "Los algoritmos de aprendizaje automático son muy poderosos, ya que pueden encontrar correlaciones complejas en los datos, un resultado que los modelos teóricos de física nuclear luchan por producir de manera eficiente. Estas correlaciones pueden proporcionar información a los científicos sobre la 'física faltante' y, a su vez, pueden usarse para fortalecer la física moderna. modelos nucleares de masas atómicas."
Más recientemente, Mumpower y sus colegas, incluido el ex estudiante de verano de Los Alamos, Mengke Li, y el postdoctorado Trevor Sprouse, escribieron un artículo en Physics Letters B. que describía la simulación de un importante proceso astrofísico con un modelo de masas de aprendizaje automático basado en la física.
El proceso r, o proceso rápido de captura de neutrones, es el proceso astrofísico que ocurre en ambientes extremos, como los producidos por las colisiones de estrellas de neutrones. De esta "nucleosíntesis" pueden resultar elementos pesados; de hecho, la mitad de los isótopos pesados hasta el bismuto y todo el torio y el uranio del universo pueden haber sido creados por el proceso r.
Pero modelar el proceso r requiere predicciones teóricas de masas atómicas que actualmente están fuera del alcance experimental. El enfoque de aprendizaje automático basado en la física del equipo entrena un modelo basado en una selección aleatoria de la Evaluación de Masa Atómica, una gran base de datos de masas. A continuación, los investigadores utilizan estas masas predichas para simular el proceso r.
El modelo permitió al equipo simular por primera vez la nucleosíntesis del proceso r con predicciones de masa aprendidas por máquinas, una hazaña significativa, ya que las predicciones del aprendizaje automático generalmente fallan al extrapolar.
"Hemos demostrado que las masas atómicas del aprendizaje automático pueden abrir la puerta a predicciones más allá de donde tenemos datos experimentales", dijo Mumpower. "La pieza crítica es que le decimos al modelo que obedezca las leyes de la física. Al hacerlo, permitimos extrapolaciones basadas en la física. Nuestros resultados están a la par o superan a los modelos teóricos contemporáneos y pueden actualizarse inmediatamente cuando haya nuevos datos disponibles. "
Las simulaciones del proceso r complementan la aplicación del aprendizaje automático por parte del equipo de investigación a investigaciones relacionadas de la estructura nuclear. En un artículo de 2022 publicado en Physical Review C Seleccionado como sugerencia del editor, el equipo utilizó algoritmos de aprendizaje automático para reproducir energías de enlace nuclear con incertidumbres cuantificadas; es decir, pudieron determinar la energía necesaria para separar un núcleo atómico en protones y neutrones, junto con una barra de error asociada para cada predicción. Por lo tanto, el algoritmo proporciona información que, de otro modo, requeriría mucho tiempo computacional y recursos para obtenerla a partir del modelado nuclear actual.
En un trabajo relacionado también publicado en Physical Review C En 2022, el equipo utilizó su modelo de aprendizaje automático para combinar datos experimentales de precisión con conocimientos teóricos.
Estos resultados, también publicados en un artículo de 2023 en Frontiers in Physics han motivado algunas de las primeras campañas experimentales en la nueva Instalación de Haces de Isótopos Raros, que busca ampliar la región conocida de la carta nuclear y descubrir el origen de los elementos pesados.
Más información: Mengke Li et al, Masas atómicas con aprendizaje automático para el proceso astrofísico r, Physics Letters B (2023). DOI:10.1016/j.physletb.2023.138385
Información de la revista: Letras de Física B , Revisión física C
Proporcionado por el Laboratorio Nacional de Los Álamos
