Si teorizza che l’origine degli elementi pesanti nel nostro universo sia il risultato di collisioni di stelle di neutroni, che producono condizioni calde e abbastanza dense da consentire ai neutroni liberi di fondersi con i nuclei atomici e formare nuovi elementi in una finestra di tempo di una frazione di secondo. Testare questa teoria e rispondere ad altre domande astrofisiche richiede previsioni per una vasta gamma di masse di nuclei atomici.
Gli scienziati del Los Alamos National Laboratory sono in prima linea nell'utilizzo di algoritmi di apprendimento automatico (un'applicazione dell'intelligenza artificiale) per modellare con successo le masse atomiche dell'intera carta dei nuclidi:la combinazione di tutti i possibili protoni e neutroni che definisce gli elementi e i loro isotopi.
"Molte migliaia di nuclei atomici che devono ancora essere misurati potrebbero esistere in natura", ha affermato Matthew Mumpower, fisico teorico e coautore di numerosi articoli recenti che descrivono in dettaglio la ricerca sulle masse atomiche. "Gli algoritmi di apprendimento automatico sono molto potenti, poiché possono trovare correlazioni complesse nei dati, un risultato che i modelli teorici di fisica nucleare faticano a produrre in modo efficiente. Queste correlazioni possono fornire informazioni agli scienziati sulla "fisica mancante" e possono a loro volta essere utilizzate per rafforzare le tecnologie moderne. modelli nucleari delle masse atomiche."
Più di recente, Mumpower e i suoi colleghi, tra cui l'ex studente estivo di Los Alamos Mengke Li e il postdoc Trevor Sprouse, hanno scritto un articolo in Physics Letters B che descriveva la simulazione di un importante processo astrofisico con un modello di massa di apprendimento automatico basato sulla fisica.
Il processo r, o processo rapido di cattura dei neutroni, è il processo astrofisico che avviene in ambienti estremi, come quelli prodotti dalle collisioni di stelle di neutroni. Da questa "nucleosintesi" possono derivare elementi pesanti; infatti, metà degli isotopi pesanti fino al bismuto e tutto il torio e l'uranio nell'universo potrebbero essere stati creati dal processo r.
Ma modellare il processo r richiede previsioni teoriche delle masse atomiche attualmente fuori dalla portata sperimentale. L'approccio di apprendimento automatico basato sulla fisica del team addestra un modello basato sulla selezione casuale dall'Atomic Mass Evaluation, un ampio database di masse. Successivamente, i ricercatori utilizzano queste masse previste per simulare il processo r.
Il modello ha consentito al team di simulare per la prima volta la nucleosintesi del processo r con previsioni di massa apprese dal computer:un'impresa significativa, poiché le previsioni di apprendimento automatico generalmente si interrompono durante l'estrapolazione.
"Abbiamo dimostrato che l'apprendimento automatico delle masse atomiche può aprire la porta a previsioni che vanno oltre i dati sperimentali", ha affermato Mumpower. "La parte fondamentale è che diciamo al modello di obbedire alle leggi della fisica. Così facendo, consentiamo estrapolazioni basate sulla fisica. I nostri risultati sono alla pari o superano i modelli teorici contemporanei e possono essere immediatamente aggiornati quando sono disponibili nuovi dati. "
Le simulazioni del processo r completano l'applicazione dell'apprendimento automatico da parte del gruppo di ricerca alle indagini correlate sulla struttura nucleare. In un articolo del 2022 pubblicato su Physical Review C selezionato come suggerimento dell'editore, il team ha utilizzato algoritmi di apprendimento automatico per riprodurre le energie di legame nucleare con incertezze quantificate; cioè, sono stati in grado di accertare l'energia necessaria per separare un nucleo atomico in protoni e neutroni, insieme a una barra di errore associata per ciascuna previsione. L'algoritmo fornisce quindi informazioni che altrimenti richiederebbero molto tempo di calcolo e risorse per essere ottenute dall'attuale modellizzazione nucleare.
In un lavoro correlato pubblicato anche su Physical Review C nel 2022, il team ha utilizzato il proprio modello di apprendimento automatico per combinare dati sperimentali di precisione con conoscenze teoriche.
Questi risultati, pubblicati anche in un articolo del 2023 su Frontiers in Physics hanno motivato alcune delle prime campagne sperimentali presso il nuovo Facility for Rare Isotope Beams, che cerca di espandere la regione conosciuta della carta nucleare e scoprire l'origine degli elementi pesanti.
Ulteriori informazioni: Mengke Li et al, Masse atomiche con apprendimento automatico per il processo astrofisico r, Physics Letters B (2023). DOI:10.1016/j.physletb.2023.138385
Informazioni sul giornale: Lettere di fisica B , Revisione fisica C
Fornito dal Los Alamos National Laboratory
