能否利用機器學習預測重核的存在?

能否利用機器學習預測重核的存在?

博科園:本文為物理學類

美國密歇根州立大學(MSU)統計與概率系(STT)與稀有同位素束研究中心(FRIB)合作,通過對核模型進行統計分析,估算了核存在的邊界,並評估了當前和未來FRIB實驗的影響。可見宇宙的99.9%以上是由286種穩定同位素構成。然而,核力使許多不穩定的放射性同位素得以存在。這種不穩定性通常來自於,當給定的原子核中中子比質子多的時候,保持凝聚力是多麼困難。我們可能永遠也無法觀測到這些不穩定的同位素,但這些居住在核邊緣地帶的短命生命卻至關重要:它們控制著恆星的活動,而這些活動創造了我們周圍的一切,以及我們身體的構成。一年多前,佛羅里達州立大學的FRIB和STT在核物理和統計科學之間建立了一種新的合作。

能否利用機器學習預測重核的存在?

博科園-科學科普:這次合作是由統計學家利奧·紐夫考特博士領導,目的是讓核物理學和統計學合作建立預測模型,以回答有關稀有同位素的基本問題。根據發現的磷、硫、氯、氬、鉀、鈧、鈣等8種稀有元素的新同位素(這些元素中發現的最重同位素),FRIB/STT團隊對鈣區域的核存在邊界進行了全面不確定性量化估算,評估了實驗發現對核結構研究的影響,這項研究發表在《物理評論快報》上。該小組使用了一種叫做貝葉斯機器學習的統計框架,其中統計模型參數和預測以後驗概率的形式獲得。本質上,這個框架允許使用新的數據(證據)來估計某些相關結果的可能性。

能否利用機器學習預測重核的存在?

已知質量的原子核位於黃線左側,紅線左邊是實驗觀察到的原子核。該團隊計算的存在極限(概率大於50%)用藍線表示。越過這條線,中子就不能再與原子核結合了。由於成對中子比未成對的中子產生更穩定同位素,滴漏線垂直地沿著偶核質量和奇核質量蜿蜒而行。圖片:Michigan State University

能否利用機器學習預測重核的存在?

使用的方法在《物理評論c》(Physical Review c)的一篇聯合論文中得到了解釋。在對幾個核模型進行了單獨分析之後,他們的預測被結合在一起,使用基於每個模型解釋最新發現的能力貝葉斯權值(Bayesian weights)。利用最新質量數據和氯、氬、硫存在的證據,以及目前已知的現有原子核,研究人員利用核理論模型的貝葉斯方法來預測新的重原子核可能是什麼,以及它們存在的可能性有多大。這種分析是一種有時被稱為監督機器學習的形式。該算法首先給出了實驗發現核的核模型和核信息。它探索了無數的可能性,然後集中在最相關的考慮到當前實驗數據。

能否利用機器學習預測重核的存在?

該方法允許研究人員精確可靠地量化他們的預測不確定性。在這個問題上,估計更重的鈣同位素,最高可達鈣70,可能存在(見圖)。根據這些結果,鈣68存在的可能性為76%。隨著科學家們在同一區發現新的同位素,這一估計可能會發生變化,研究小組將利用這些同位素更新其預測。在未來,FRIB將允許科學家潛在地製造鈣-68甚至鈣-70。這個團隊正在研究貝葉斯機器學習在核物理中的其他幾個應用,包括校準FRIB加速器中粒子束的一個項目。該方法有望直接應用於需要基於模型推斷的量化數據的領域,如核天體物理學。

能否利用機器學習預測重核的存在?

博科園-科學科普|研究/來自: 密歇根州立大學

參考期刊文獻:《物理評論快報》

DOI: 10.1103/PhysRevLett.122.062502

DOI: 10.1103/PhysRevC.98.034318

博科園-傳遞宇宙科學之美

相關推薦

推薦中...