• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  Science >> Ciência >  >> Física
    Técnicas de aprendizado de máquina melhoram a descoberta de níveis nucleares excitados no enxofre-38
    Uma representação da abordagem de aprendizado de máquina usada para classificar os núcleos de enxofre-38 (38S) de todos os outros núcleos criados em uma reação nuclear complexa (esquerda) e a capacidade resultante de obter conhecimento da "impressão digital" quântica única de enxofre-38 (certo). Crédito:Laboratório Nacional Argonne

    Números fixos de prótons e nêutrons – os blocos de construção dos núcleos – podem se reorganizar dentro de um único núcleo. Os produtos dessa remodelação incluem transições eletromagnéticas (raios gama). Essas transições conectam níveis de energia excitados chamados níveis quânticos, e o padrão nessas conexões fornece uma “impressão digital” única para cada isótopo.



    A determinação destas impressões digitais proporciona um teste sensível à capacidade dos cientistas para descrever uma das forças fundamentais, a força forte (nuclear) que mantém os protões e os neutrões unidos.

    No laboratório, os cientistas podem iniciar o movimento de prótons e nêutrons por meio de uma injeção de excesso de energia por meio de uma reação nuclear.

    Em um artigo publicado na Physical Review C , os pesquisadores usaram essa abordagem com sucesso para estudar a impressão digital do enxofre-38. Eles também usaram aprendizado de máquina e outras ferramentas de ponta para analisar os dados.

    Os resultados fornecem novas informações empíricas sobre a “impressão digital” dos níveis de energia quântica no núcleo do enxofre-38. Comparações com modelos teóricos podem levar a novos insights importantes. Por exemplo, um dos cálculos destacou o papel fundamental desempenhado por um orbital de núcleon específico na capacidade do modelo de reproduzir as impressões digitais do enxofre-38, bem como dos núcleos vizinhos.

    O estudo também é importante pela primeira implementação bem-sucedida de uma abordagem específica baseada em aprendizado de máquina para classificação de dados. Os cientistas estão adotando esta abordagem para outros desafios no projeto experimental.

    Os pesquisadores usaram uma medição que incluiu uma análise assistida por aprendizado de máquina (ML) dos dados coletados para determinar melhor os níveis únicos de energia quântica – uma “impressão digital” formada através do rearranjo dos prótons e nêutrons – no núcleo rico em nêutrons enxofre-38 .

    Os resultados duplicaram a quantidade de informação empírica sobre esta impressão digital específica. Eles usaram uma reação nuclear envolvendo a fusão de dois núcleos, um de um feixe de íons pesados ​​e o segundo de um alvo, para produzir o isótopo e introduzir a energia necessária para excitá-lo em níveis quânticos mais elevados.

    A reação e a medição aproveitaram um feixe de íons pesados ​​produzido pelo ATLAS Facility (uma instalação usuária do Departamento de Energia), um alvo produzido pelo Center for Accelerator and Target Science (CATS), a detecção de decaimentos eletromagnéticos (raios gama) usando o Gamma-Ray Energy Tracking Array (GRETINA), e a detecção dos núcleos produzidos usando o Fragment Mass Analyzer (FMA).

    Devido às complexidades nos parâmetros experimentais – que dependiam entre os rendimentos de produção dos núcleos de enxofre-38 na reação e as configurações ideais para detecção – a pesquisa adaptou e implementou técnicas de ML ao longo da redução de dados.

    Essas técnicas alcançaram melhorias significativas em relação a outras técnicas. A própria estrutura de ML consistia em uma rede neural totalmente conectada que foi treinada sob supervisão para classificar os núcleos de enxofre-38 em relação a todos os outros isótopos produzidos pela reação nuclear.

    Mais informações: CR Hoffman et al, Estudo experimental do 38 Esquema de nível excitado S, Revisão Física C (2023). DOI:10.1103/PhysRevC.107.064311. No arXiv (2023):DOI:10.48550/arxiv.2305.16969
    Fornecido pelo Departamento de Energia dos EUA



    © Ciência https://pt.scienceaq.com