من الناحية النظرية، فإن أصل العناصر الثقيلة في الكون هو نتيجة اصطدامات النجوم النيوترونية. إن درجات الحرارة المرتفعة وظروف الكثافة العالية الناتجة عن اصطدامات النجوم النيوترونية كافية للسماح للنيوترونات الحرة بالاندماج مع النوى الذرية وتكوين عناصر جديدة في لحظة. يتطلب اختبار هذه النظرية والإجابة عن أسئلة فيزيائية فلكية أخرى تنبؤات على نطاق واسع من كتل النوى الذرية.كان العلماء في مختبر لوس ألاموس الوطني أول من استخدم خوارزميات التعلم الآلي، وهو تطبيق للذكاء الاصطناعي، لبناء نموذج كتلة ذرية لخريطة النويدات بأكملها بنجاح - جميع المجموعات الممكنة من البروتونات والنيوترونات التي تحدد العنصر ونظائره.
قال عالم الفيزياء النظرية ماثيو مومبور: "قد يكون هناك آلاف النوى في الطبيعة لم يتم قياسها بعد. خوارزميات التعلم الآلي قوية للغاية لأنها يمكن أن تجد ارتباطات معقدة في البيانات التي تكافح نماذج الفيزياء النووية النظرية لإنتاجها بكفاءة. يمكن لهذه الارتباطات أن تزود العلماء بمعلومات حول "الفيزياء المفقودة"، والتي بدورها يمكن استخدامها لتعزيز النماذج النووية الحديثة للكتل الذرية".
محاكاة عملية التقاط النيوترونات السريعة
في الآونة الأخيرة، نشر مامباور وزملاؤه (بما في ذلك الطالب الصيفي السابق في لوس ألاموس منغكي لي وباحث ما بعد الدكتوراه تريفور سبروس) ورقة بحثية في Physics Letters B تصف استخدام نموذج كتلة التعلم الآلي القائم على الفيزياء لمحاكاة عملية فيزيائية فلكية مهمة. عملية r، عملية الالتقاط السريع للنيوترونات، هي عملية فيزيائية فلكية تحدث في البيئات القاسية، مثل البيئة التي تنشأ عن اصطدامات النجوم النيوترونية.
قد تأتي العناصر الثقيلة من هذا "التخليق النووي". في الواقع، من المحتمل أن نصف النظائر الثقيلة في الكون وصولاً إلى البزموت وكل الثوريوم واليورانيوم قد تم إنتاجها من خلال عملية "التخليق النووي".
ومع ذلك، فإن نمذجة هذه العملية تتطلب تنبؤات نظرية للكتل الذرية، وهو ما لا تستطيع التجارب الحالية تحقيقه. استخدم فريق البحث أساليب التعلم الآلي للمعلومات الفيزيائية للاختيار عشوائيًا من قاعدة البيانات الكبيرة لتقييم الكتلة الذرية (AtomicMassEvaluation) وتدريب النموذج. بعد ذلك، استخدم الباحثون كتل هذه التنبؤات لمحاكاة عملية r. سمح هذا النموذج لفريق البحث بمحاكاة التخليق النووي لعملية R لأول مرة بجودة تنبؤات التعلم الآلي - وهي سابقة رئيسية منذ أن تنهار تنبؤات التعلم الآلي غالبًا عند الاستقراء.
وقال مامباور: "لقد أظهرنا أن التعلم الآلي للكتل الذرية يمكن أن يفتح الباب أمام تنبؤات تتجاوز البيانات التجريبية". "النقطة الأساسية هي أننا نطلب من النموذج أن يطيع قوانين الفيزياء. ومن خلال القيام بذلك، نحن قادرون على تقديم استنتاجات مبنية على الفيزياء. نتائجنا تتساوى مع النماذج النظرية المعاصرة أو أفضل منها، ويمكن تحديثها فور توفر بيانات جديدة."
دراسة التركيب النووي
تكمل محاكاة عملية r تطبيق فريق البحث للتعلم الآلي على الدراسات المتعلقة بالبنية النووية. في مقال نُشر مؤخرًا في مجلة Physical Review C والذي تم اختياره باعتباره "اقتراحًا للمحرر"، استخدم الفريق خوارزميات التعلم الآلي لإعادة إنتاج طاقات الارتباط النووي مع عدم اليقين الكمي؛ أي أنهم كانوا قادرين على تحديد الطاقة اللازمة لفصل النواة الذرية إلى بروتونات ونيوترونات، بالإضافة إلى أشرطة الخطأ المرتبطة بكل تنبؤ. لذلك، توفر هذه الخوارزمية معلومات قد تتطلب وقتًا حسابيًا كبيرًا وموارد للحصول عليها من النمذجة النووية الحالية.
وفي الأعمال ذات الصلة، استخدم فريق البحث نموذج التعلم الآلي الخاص بهم للجمع بين البيانات التجريبية الدقيقة والمعرفة النظرية. وقد ألهمت هذه النتائج بعض الأنشطة التجريبية الأولى في منشأة شعاع النظائر النادرة الجديدة، والتي تهدف إلى توسيع المنطقة المعروفة للخريطة النووية والكشف عن أصول العناصر الثقيلة.
تم التجميع من: سايتك ديلي