Uma simulação de Los Alamos de um disco de acreção após a colisão de duas estrelas de nêutrons. Este evento gera elementos leves (azul) e pesados (vermelho). Crédito:Laboratório Nacional de Los Alamos Teoriza-se que a origem dos elementos pesados no nosso Universo seja o resultado de colisões de estrelas de neutrões, que produzem condições suficientemente quentes e densas para que os neutrões livres se fundam com os núcleos atómicos e formem novos elementos numa janela de tempo de fracção de segundo. Testar esta teoria e responder a outras questões astrofísicas requer previsões para uma vasta gama de massas de núcleos atômicos.
Os cientistas do Laboratório Nacional de Los Alamos estão na vanguarda do uso de algoritmos de aprendizado de máquina (uma aplicação de inteligência artificial) para modelar com sucesso as massas atômicas de todo o gráfico de nuclídeos – a combinação de todos os prótons e nêutrons possíveis que define os elementos e seus isótopos.
"Muitos milhares de núcleos atômicos que ainda não foram medidos podem existir na natureza", disse Matthew Mumpower, físico teórico e coautor de vários artigos recentes que detalham a pesquisa sobre massas atômicas. "Algoritmos de aprendizado de máquina são muito poderosos, pois podem encontrar correlações complexas em dados, um resultado que os modelos teóricos de física nuclear lutam para produzir de forma eficiente. Essas correlações podem fornecer informações aos cientistas sobre a 'física perdida' e podem, por sua vez, ser usadas para fortalecer a moderna modelos nucleares de massas atômicas."
Simulando o processo rápido de captura de nêutrons
Mais recentemente, Mumpower e seus colegas, incluindo o ex-aluno de verão de Los Alamos Mengke Li e o pós-doutorado Trevor Sprouse, escreveram um artigo em Physics Letters B que descreveu a simulação de um importante processo astrofísico com um modelo de massa de aprendizado de máquina baseado na física.
O processo r, ou processo rápido de captura de nêutrons, é o processo astrofísico que ocorre em ambientes extremos, como aqueles produzidos por colisões de estrelas de nêutrons. Elementos pesados podem resultar desta “nucleossíntese”; na verdade, metade dos isótopos pesados até o bismuto e todo o tório e urânio do universo podem ter sido criados pelo processo r.
Mas modelar o processo r requer previsões teóricas de massas atômicas atualmente fora do alcance experimental. A abordagem de aprendizado de máquina baseada na física da equipe treina um modelo baseado na seleção aleatória da Avaliação de Massa Atômica, um grande banco de dados de massas. Em seguida, os pesquisadores usam essas massas previstas para simular o processo r.
O modelo permitiu à equipe simular pela primeira vez a nucleossíntese do processo r com previsões de massa aprendidas por máquina – um feito significativo, já que as previsões de aprendizado de máquina geralmente falham durante a extrapolação.
“Mostramos que o aprendizado de máquina de massas atômicas pode abrir a porta para previsões além de onde temos dados experimentais”, disse Mumpower. "A parte crítica é que dizemos ao modelo para obedecer às leis da física. Ao fazer isso, possibilitamos extrapolações baseadas na física. Nossos resultados estão no mesmo nível ou superam os modelos teóricos contemporâneos e podem ser atualizados imediatamente quando novos dados estiverem disponíveis. "
Investigando estruturas nucleares
As simulações do processo r complementam a aplicação de aprendizado de máquina pela equipe de pesquisa em investigações relacionadas à estrutura nuclear. Em um artigo de 2022 publicado na Physical Review C selecionado como sugestão do editor, a equipe usou algoritmos de aprendizado de máquina para reproduzir energias de ligação nuclear com incertezas quantificadas; isto é, eles foram capazes de determinar a energia necessária para separar um núcleo atômico em prótons e nêutrons, juntamente com uma barra de erro associada para cada previsão. O algoritmo fornece, portanto, informações que, de outra forma, levariam tempo e recursos computacionais significativos para serem obtidas a partir da modelagem nuclear atual.
Em um trabalho relacionado também publicado na Physical Review C em 2022, a equipe usou seu modelo de aprendizado de máquina para combinar dados experimentais de precisão com conhecimento teórico.
Esses resultados, também publicados em um artigo de 2023 na Frontiers in Physics motivaram algumas das primeiras campanhas experimentais na nova Instalação para Feixes de Isótopos Raros, que busca expandir a região conhecida da carta nuclear e descobrir a origem dos elementos pesados.
