El origen de los elementos pesados en el universo es teóricamente el resultado de colisiones de estrellas de neutrones. Las condiciones de alta temperatura y alta densidad generadas por las colisiones de estrellas de neutrones son suficientes para permitir que los neutrones libres se fusionen con los núcleos atómicos y formen nuevos elementos en un instante. Probar esta teoría y responder otras preguntas astrofísicas requiere predicciones sobre una amplia gama de masas de núcleos atómicos.Los científicos del Laboratorio Nacional de Los Álamos fueron los primeros en utilizar algoritmos de aprendizaje automático, una aplicación de inteligencia artificial, para construir con éxito un modelo de masa atómica de todo el mapa de nucleidos: todas las combinaciones posibles de protones y neutrones que definen un elemento y sus isótopos.
El físico teórico Matthew Mumpower dijo: "Puede haber miles de núcleos en la naturaleza que aún no han sido medidos. Los algoritmos de aprendizaje automático son muy poderosos porque pueden encontrar correlaciones complejas en los datos que los modelos teóricos de física nuclear luchan por producir de manera eficiente. Estas correlaciones pueden proporcionar a los científicos información sobre la 'física faltante', que a su vez puede usarse para fortalecer los modelos nucleares modernos de masas atómicas".
Simular el proceso rápido de captura de neutrones.
Recientemente, Mumpower y sus colegas (incluido el ex estudiante de verano de Los Álamos, Mengke Li, y el postdoctorado Trevor Sprouse) publicaron un artículo en Physics Letters B que describe el uso de un modelo de masas de aprendizaje automático basado en la física para simular un importante proceso astrofísico. El proceso r, el proceso rápido de captura de neutrones, es un proceso astrofísico que ocurre en entornos extremos, como el entorno creado por las colisiones de estrellas de neutrones.
De esta "nucleosíntesis" pueden surgir elementos pesados. De hecho, la mitad de los isótopos pesados del universo, hasta el bismuto, y todo el torio y el uranio, probablemente fueron producidos mediante este proceso de "nucleosíntesis".
Sin embargo, modelar este proceso requiere predicciones teóricas de masas atómicas, que los experimentos actuales no pueden lograr. El equipo de investigación utilizó métodos de aprendizaje automático de información física para seleccionar aleatoriamente de la gran base de datos de Evaluación de Masa Atómica (AtomicMassEvaluación) y entrenar un modelo. A continuación, los investigadores utilizaron la masa de estas predicciones para simular el proceso r. El modelo permitió al equipo de investigación simular la nucleosíntesis del proceso R por primera vez con la calidad de las predicciones del aprendizaje automático, una novedad importante ya que las predicciones del aprendizaje automático a menudo colapsan en la extrapolación.
"Hemos demostrado que el aprendizaje automático de masas atómicas puede abrir la puerta a predicciones más allá de los datos experimentales", dijo Mumpower. "El punto clave es que le decimos al modelo que obedezca las leyes de la física. Al hacer esto, podemos hacer inferencias basadas en la física. Nuestros resultados están a la par o mejores que los modelos teóricos contemporáneos, y pueden actualizarse inmediatamente a medida que haya nuevos datos disponibles".
Estudiar estructura nuclear.
La simulación del proceso r complementa la aplicación del aprendizaje automático por parte del equipo de investigación a estudios relacionados con la estructura nuclear. En un artículo reciente publicado en Physical Review C que fue seleccionado como "Sugerencia del editor", el equipo utilizó algoritmos de aprendizaje automático para reproducir energías de enlace nuclear con incertidumbre cuantitativa; es decir, pudieron determinar la energía necesaria para separar un núcleo atómico en protones y neutrones, así como las barras de error asociadas a cada predicción. Por lo tanto, este algoritmo proporciona información que requeriría mucho tiempo computacional y recursos para obtenerla a partir del modelado nuclear actual.
En un trabajo relacionado, el equipo de investigación utilizó su modelo de aprendizaje automático para combinar datos experimentales precisos con conocimientos teóricos. Estos resultados inspiraron algunas de las primeras actividades experimentales en la nueva instalación de haces de isótopos raros, cuyo objetivo es ampliar el área conocida del mapa nuclear y revelar los orígenes de los elementos pesados.
Compilado de: ScitechDaily