p Uma colaboração entre o Facility for Rare Isotope Beams (FRIB) e o Departamento de Estatística e Probabilidade (STT) da Michigan State University (MSU) estimou os limites da existência nuclear aplicando análise estatística a modelos nucleares, e avaliou o impacto dos experimentos FRIB atuais e futuros. p Mais de 99,9 por cento do universo visível é feito de 286 isótopos estáveis. Contudo, a força nuclear permite muitos mais instáveis, isótopos radioativos existam. Essa instabilidade geralmente vem de como é difícil manter a coesão quando há muito mais nêutrons do que prótons em um determinado núcleo. Podemos nunca observar a maioria desses isótopos instáveis, mas esses habitantes de vida curta das fronteiras nucleares são importantes:eles governam os processos nas estrelas que criam todas as coisas ao nosso redor, e do que somos feitos.

p Mais de um ano atrás, FRIB e STT na MSU formaram uma nova colaboração entre a física nuclear e as ciências estatísticas. Esta colaboração, liderado pela contratação conjunta do pesquisador de estatísticas Dr. Léo Neufcourt, nasceu para fazer a física nuclear e as estatísticas trabalharem juntas na construção de modelos preditivos que responderão a questões fundamentais sobre isótopos raros.

p À luz da recente descoberta de oito novos isótopos raros dos elementos fósforo, enxofre, cloro, argônio, potássio, escândio, e cálcio (os isótopos mais pesados ​​desses elementos já encontrados), a equipe FRIB / STT estimou os limites da existência nuclear na região do cálcio com uma quantificação completa das incertezas, avaliar o impacto da descoberta experimental na pesquisa da estrutura nuclear. O trabalho é publicado em Cartas de revisão física .

p O grupo usou uma estrutura estatística chamada aprendizado de máquina bayesiano, onde os parâmetros do modelo estatístico e as previsões são obtidos na forma de uma probabilidade posterior. Em essência, esta estrutura permite o uso de novos dados (evidências) para estimar quão prováveis ​​são certos resultados relacionados. A metodologia que eles empregam é explicada em um artigo conjunto em Revisão Física C . Após uma análise individual de vários modelos nucleares, suas previsões são combinadas usando pesos bayesianos com base na capacidade de cada modelo de contabilizar as descobertas mais recentes.

p Usando os dados de massa mais recentes e evidências da existência de cloro, argônio e enxofre junto com o que é conhecido atualmente sobre os núcleos existentes, os pesquisadores aplicaram uma abordagem bayesiana com modelos de teoria nuclear para prever o que novos núcleos pesados ​​podem ser, e com que probabilidade eles podem existir. Essa análise é uma forma do que às vezes é conhecido como aprendizado de máquina supervisionado. O algoritmo recebe primeiro modelos nucleares e informações sobre núcleos encontrados experimentalmente. Ele explora uma miríade de possibilidades, mas depois se concentra nas mais relevantes, considerando os dados experimentais atuais. A metodologia permite aos pesquisadores quantificar as incertezas de suas previsões com precisão e confiabilidade.

p Nesse assunto, eles estimam que os isótopos de cálcio mais pesados, até cálcio-70, poderia existir (veja a figura). De acordo com esses resultados, cálcio-68, por exemplo, tem 76 por cento de probabilidade de existir. Esta estimativa pode mudar conforme os cientistas descobrem novos isótopos na mesma região, que a equipe usará para atualizar suas previsões. No futuro, O FRIB permitirá que os cientistas criem potencialmente o cálcio-68 ou mesmo o cálcio-70.

p A equipe está trabalhando em vários outros usos do aprendizado de máquina bayesiano com aplicativos para física nuclear, incluindo um projeto para calibrar o feixe de partículas no acelerador FRIB. Espera-se que a metodologia tenha aplicações diretas em áreas que precisam de dados quantificados de extrapolações baseadas em modelos, como a astrofísica nuclear.