在AI帮助下 天体物理学家揭开重元素的宇宙起源

理论物理学家马修-芒鲍尔（Matthew Mumpower）说："自然界中可能存在成千上万个尚未测量的原子核。机器学习算法非常强大，因为它们可以在数据中发现复杂的相关性，而理论核物理模型却很难有效地产生这种结果。这些相关性可以为科学家提供有关'缺失物理'的信息，反过来又可以用来加强原子质量的现代核模型。"

模拟快速中子俘获过程

最近，Mumpower 和他的同事（包括前洛斯阿拉莫斯暑期学生李梦柯和博士后 Trevor Sprouse）在《物理快报 B》上发表了一篇论文，描述了用基于物理学的机器学习质量模型模拟一个重要的天体物理过程。r过程，即快速中子捕获过程，是发生在极端环境中的天体物理过程，如中子星碰撞产生的环境。

重元素可能来自这种"核合成"。事实上，宇宙中一半的重同位素直至铋以及所有的钍和铀都可能是由这种"核合成"过程产生的。

洛斯阿拉莫斯模拟的两颗中子星碰撞后的吸积盘。这一事件同时产生了轻元素（蓝色）和重元素（红色）。资料来源：洛斯阿拉莫斯国家实验室

然而，对这一过程进行建模需要对原子质量进行理论预测，而目前的实验还无法达到这一要求。研究小组采用物理信息机器学习方法，从原子质量评估（Atomic Mass Evaluation）这一大型质量数据库中随机选择，训练出一个模型。接下来，研究人员利用这些预测的质量来模拟 r 过程。该模型使研究小组首次利用机器学习预测的质量模拟了r过程的核合成--这是一项重大创举，因为机器学习预测通常会在外推时崩溃。

Mumpower说："我们已经证明，机器学习原子质量可以为我们在实验数据之外的预测打开大门。关键的一点是，我们告诉模型要遵守物理定律。通过这样做，我们就能进行基于物理学的推断。我们的结果与当代理论模型不相上下，甚至更胜一筹，并且可以在获得新数据时立即更新。"

研究核结构

r过程模拟是研究团队将机器学习应用于核结构相关研究的补充。在最近发表在《物理评论 C》上的一篇被选为"编辑建议"的文章中，研究小组利用机器学习算法重现了具有量化不确定性的核结合能；也就是说，他们能够确定将原子核分离成质子和中子所需的能量，以及每个预测的相关误差条。因此，该算法提供的信息需要大量的计算时间和资源才能从当前的核建模中获得。

在相关工作中，研究小组利用他们的机器学习模型将精确的实验数据与理论知识结合起来。这些结果激发了新的稀有同位素束设施的一些首批实验活动，该设施旨在扩大核图的已知区域并揭示重元素的起源。

编译自:ScitechDaily