Les scientifiques du Laboratoire national de Los Alamos utilisent l’apprentissage automatique pour prédire les masses atomiques et simuler le processus r, un mécanisme clé dans la formation des éléments lourds dans l’univers. Leurs travaux ont considérablement fait progresser la compréhension des noyaux atomiques et des structures nucléaires, influençant ainsi la recherche expérimentale en physique nucléaire. Crédit : Issues.fr.com
Les prédictions de l’apprentissage automatique modélisent avec succès les masses atomiques du diagramme de nucléides.
L’origine des éléments lourds dans notre univers est théorisée comme étant le résultat de étoile à neutrons les collisions, qui produisent des conditions suffisamment chaudes et denses pour que les neutrons libres fusionnent avec les noyaux atomiques et forment de nouveaux éléments en une fraction de seconde. Tester cette théorie et répondre à d’autres questions astrophysiques nécessite des prédictions sur une vaste gamme de masses de noyaux atomiques. Les scientifiques du Laboratoire national de Los Alamos sont à l’avant-plan de l’utilisation apprentissage automatique algorithmes (une application de l’intelligence artificielle) pour modéliser avec succès les masses atomiques de l’ensemble du diagramme de nucléides – la combinaison de tous les protons et neutrons possibles qui définit les éléments et leurs isotopes.
« Des milliers de noyaux atomiques qui n’ont pas encore été mesurés pourraient exister dans la nature », a déclaré Matthew Mumpower, physicien théoricien et co-auteur de plusieurs articles récents détaillant la recherche sur les masses atomiques. « Les algorithmes d’apprentissage automatique sont très puissants, car ils peuvent trouver des corrélations complexes dans les données, un résultat que les modèles théoriques de physique nucléaire ont du mal à produire efficacement. Ces corrélations peuvent fournir des informations aux scientifiques sur la « physique manquante » et peuvent à leur tour être utilisées pour renforcer les modèles nucléaires modernes de masses atomiques.
Simulation du processus de capture rapide des neutrons
Plus récemment, Mumpower et ses collègues, dont Mengke Li, ancien étudiant d’été à Los Alamos, et Trevor Sprouse, postdoctorant, ont rédigé un article dans Lettres de physique B(1) qui décrivait la simulation d’un processus astrophysique important avec un modèle de masse d’apprentissage automatique basé sur la physique. Le processus r, ou processus rapide de capture de neutrons, est le processus astrophysique qui se produit dans des environnements extrêmes, comme ceux produits par les collisions d’étoiles à neutrons.
Des éléments lourds peuvent résulter de cette « nucléosynthèse ». En fait, la moitié des isotopes lourds jusqu’au bismuth et la totalité du thorium et de l’uranium de l’univers pourraient avoir été créés par le processus r.
Une simulation à Los Alamos d’un disque d’accrétion après la collision de deux étoiles à neutrons. Cet événement génère à la fois des éléments légers (bleus) et lourds (rouges). Crédit : Laboratoire national de Los Alamos
Cependant, la modélisation du r Ce processus nécessite des prédictions théoriques des masses atomiques actuellement hors de portée expérimentale. L’approche d’apprentissage automatique basée sur la physique de l’équipe entraîne un modèle basé sur une sélection aléatoire à partir de l’évaluation de la masse atomique, une vaste base de données de masses. Les chercheurs utilisent ensuite ces masses prédites pour simuler le processus r. Le modèle a permis à l’équipe de simuler pour la première fois la nucléosynthèse du processus R avec des prédictions de masse apprises par machine – un exploit important, car les prédictions d’apprentissage automatique s’effondrent généralement lors de l’extrapolation.
« Nous avons montré que l’apprentissage automatique des masses atomiques peut ouvrir la porte à des prédictions au-delà des données expérimentales dont nous disposons », a déclaré Mumpower. « L’élément essentiel est que nous disons au modèle d’obéir aux lois de la physique. Ce faisant, nous permettons des extrapolations basées sur la physique. Nos résultats sont comparables ou supérieurs aux modèles théoriques contemporains et peuvent être immédiatement mis à jour lorsque de nouvelles données sont disponibles.
Enquête sur les structures nucléaires
Le r-les simulations de processus complètent l’application de l’apprentissage automatique par l’équipe de recherche aux recherches connexes sur la structure nucléaire. Dans un article récent dans Examen physique C(2) sélectionnée comme suggestion de l’éditeur, l’équipe a utilisé des algorithmes d’apprentissage automatique pour reproduire les énergies de liaison nucléaire avec des incertitudes quantifiées ; c’est-à-dire qu’ils ont pu déterminer l’énergie nécessaire pour séparer un noyau atomique en protons et neutrons, ainsi qu’une barre d’erreur associée pour chaque prédiction. L’algorithme fournit ainsi des informations qui nécessiteraient autrement un temps de calcul et des ressources considérables à partir de la modélisation nucléaire actuelle.
Dans des travaux connexes,(3) l’équipe a utilisé son modèle d’apprentissage automatique pour combiner des données expérimentales de précision avec des connaissances théoriques. Ces résultats(4) ont motivé certaines des premières campagnes expérimentales dans la nouvelle installation de faisceaux d’isotopes rares, qui cherche à étendre la région connue de la carte nucléaire et à découvrir l’origine des éléments lourds.
- « Masses atomiques avec apprentissage automatique pour le processus astrophysique » par Mengke Li, Trevor M. Sprouse, Bradley S. Meyer et Matthew R. Mumpower, 6 décembre 2023, Lettres de physique B.
DOI : 10.1016/j.physletb.2023.138385 - « Masses nucléaires apprises d’un réseau neuronal probabiliste » par AE Lovell, AT Mohan, TM Sprouse et MR Mumpower, 13 juillet 2022, Examen physique C.
DOI : 10.1103/PhysRevC.106.014305 - « Apprentissage automatique physiquement interprétable pour les masses nucléaires » par MR Mumpower, TM Sprouse, AE Lovell et AT Mohan, 1er août 2022, Examen physique C.
DOI : 10.1103/PhysRevC.106.L021301 - « Moyenne bayésienne des masses de l’état fondamental des noyaux atomiques dans une approche d’apprentissage automatique » par Matthew Mumpower, Mengke Li, Trevor M. Sprouse, Bradley S. Meyer, Amy E. Lovell et Arvind T. Mohan, 7 juillet 2023, Frontières de la physique.
DOI : 10.3389/fphy.2023.1198572
Financement : Ce travail a été soutenu par le programme de recherche et de développement dirigé par le laboratoire de Los Alamos et par le NASA Programme Mondes Émergents.
