A origem dos elementos pesados no universo é teoricamente o resultado de colisões de estrelas de nêutrons. As condições de alta temperatura e alta densidade geradas pelas colisões de estrelas de nêutrons são suficientes para permitir que os nêutrons livres se fundam com os núcleos atômicos e formem novos elementos em um instante. Testar esta teoria e responder a outras questões astrofísicas requer previsões sobre a vasta gama de massas dos núcleos atômicos.Cientistas do Laboratório Nacional de Los Alamos foram os primeiros a utilizar algoritmos de aprendizagem automática, uma aplicação de inteligência artificial, para construir com sucesso um modelo de massa atómica de todo o mapa de nuclídeos - todas as combinações possíveis de protões e neutrões que definem um elemento e os seus isótopos.
O físico teórico Matthew Mumpower disse: "Pode haver milhares de núcleos na natureza que ainda não foram medidos. Algoritmos de aprendizado de máquina são muito poderosos porque podem encontrar correlações complexas nos dados que os modelos teóricos de física nuclear lutam para produzir de forma eficiente. Essas correlações podem fornecer aos cientistas informações sobre a 'física perdida', que por sua vez pode ser usada para fortalecer modelos nucleares modernos de massas atômicas. "
Simule o processo rápido de captura de nêutrons
Recentemente, Mumpower e colegas (incluindo o ex-aluno de verão de Los Alamos Mengke Li e o pós-doutorado Trevor Sprouse) publicaram um artigo na Physics Letters B descrevendo o uso de um modelo de massa de aprendizado de máquina baseado em física para simular um importante processo astrofísico. O processo r, o processo rápido de captura de nêutrons, é um processo astrofísico que ocorre em ambientes extremos, como o ambiente criado por colisões de estrelas de nêutrons.
Elementos pesados podem vir desta “nucleossíntese”. Na verdade, metade dos isótopos pesados do universo, incluindo o bismuto e todo o tório e urânio, foram provavelmente produzidos por este processo de "nucleossíntese".
No entanto, a modelagem deste processo requer previsões teóricas de massas atômicas, que os experimentos atuais não conseguem alcançar. A equipe de pesquisa usou métodos de aprendizado de máquina de informações físicas para selecionar aleatoriamente no grande banco de dados de avaliação de massa atômica (AtomicMassEvaluation) e treinar um modelo. Em seguida, os pesquisadores usaram as massas dessas previsões para simular o processo r. O modelo permitiu que a equipe de pesquisa simulasse a nucleossíntese do processo R pela primeira vez com a qualidade das previsões de aprendizado de máquina – uma grande inovação, já que as previsões de aprendizado de máquina muitas vezes entram em colapso na extrapolação.
“Mostramos que o aprendizado de máquina de massas atômicas pode abrir a porta para previsões além dos dados experimentais”, disse Mumpower. "O ponto principal é que dizemos ao modelo para obedecer às leis da física. Ao fazer isso, somos capazes de fazer inferências baseadas na física. Nossos resultados estão no mesmo nível ou são melhores que os modelos teóricos contemporâneos, e podem ser atualizados imediatamente à medida que novos dados se tornam disponíveis."
Estudar estrutura nuclear
A simulação do processo r complementa a aplicação de aprendizado de máquina pela equipe de pesquisa em estudos relacionados à estrutura nuclear. Em um artigo recente publicado na Physical Review C que foi selecionado como “Sugestão do Editor”, a equipe usou algoritmos de aprendizado de máquina para reproduzir energias de ligação nuclear com incerteza quantitativa; isto é, eles foram capazes de determinar a energia necessária para separar um núcleo atômico em prótons e nêutrons, bem como as barras de erro associadas a cada previsão. Portanto, este algoritmo fornece informações que exigiriam tempo e recursos computacionais significativos para serem obtidas a partir da modelagem nuclear atual.
Em trabalhos relacionados, a equipe de pesquisa usou seu modelo de aprendizado de máquina para combinar dados experimentais precisos com conhecimento teórico. Esses resultados inspiraram algumas das primeiras atividades experimentais na nova Rare Isotope Beam Facility, que visa expandir a área conhecida do mapa nuclear e revelar as origens dos elementos pesados.
Compilado de: ScitechDaily