우주의 무거운 원소의 기원은 이론적으로 중성자별 충돌의 결과입니다. 중성자별 충돌로 인해 발생하는 고온, 고밀도 조건은 자유 중성자가 원자핵과 합쳐져 순식간에 새로운 원소를 형성하기에 충분합니다. 이 이론을 테스트하고 다른 천체물리학적 질문에 답하려면 광범위한 원자핵 질량에 대한 예측이 필요합니다.로스 알라모스 국립 연구소(Los Alamos National Laboratory)의 과학자들은 인공 지능을 응용한 기계 학습 알고리즘을 최초로 사용하여 전체 핵종 지도(원소와 그 동위원소를 정의하는 양성자와 중성자의 가능한 모든 조합)의 원자 질량 모델을 성공적으로 구축했습니다.
이론 물리학자인 Matthew Mumpower는 다음과 같이 말했습니다. "자연에는 아직 측정되지 않은 수천 개의 핵이 있을 수 있습니다. 기계 학습 알고리즘은 이론 핵 물리학 모델이 효율적으로 생성하기 위해 애쓰는 데이터에서 복잡한 상관 관계를 찾을 수 있기 때문에 매우 강력합니다. 이러한 상관 관계는 과학자들에게 '누락된 물리학'에 대한 정보를 제공할 수 있으며, 이는 다시 현대 원자 질량 핵 모델을 강화하는 데 사용될 수 있습니다."
신속한 중성자 포획 과정 시뮬레이션
최근 Mumpower와 동료(전 Los Alamos 여름 학생 Mengke Li 및 박사후 연구원 Trevor Sprouse 포함)는 중요한 천체 물리학 과정을 시뮬레이션하기 위해 물리학 기반 기계 학습 질량 모델을 사용하는 방법을 설명하는 논문을 Physics Letters B에 발표했습니다. 급속 중성자 포획 과정인 r 과정은 중성자별 충돌로 생성되는 환경 등 극한 환경에서 발생하는 천체물리학적 과정이다.
무거운 원소는 이 "핵합성"에서 나올 수 있습니다. 사실, 비스무트에 이르기까지 우주에 있는 무거운 동위원소의 절반과 모든 토륨과 우라늄은 아마도 이러한 "핵합성" 과정에 의해 생성되었을 것입니다.
그러나 이 과정을 모델링하려면 원자 질량에 대한 이론적 예측이 필요하지만 현재 실험에서는 이를 달성할 수 없습니다. 연구팀은 물리정보 머신러닝 기법을 사용해 원자질량평가(AtomicMassEvaluation)의 대규모 대용량 데이터베이스에서 무작위로 선택해 모델을 훈련했다. 다음으로 연구원들은 이러한 예측의 질량을 사용하여 r 프로세스를 시뮬레이션했습니다. 이 모델을 통해 연구팀은 기계 학습 예측의 품질로 처음으로 R 프로세스 핵합성을 시뮬레이션할 수 있었습니다. 이는 기계 학습 예측이 종종 외삽에서 붕괴되기 때문에 중요한 첫 번째 사례였습니다.
Mumpower는 "우리는 원자 질량에 대한 기계 학습이 실험 데이터를 넘어서는 예측의 문을 열 수 있다는 것을 보여주었습니다"라고 말했습니다. "핵심은 우리가 모델에 물리 법칙을 따르도록 지시한다는 것입니다. 이를 통해 우리는 물리학 기반 추론을 할 수 있습니다. 우리의 결과는 현대 이론 모델과 동등하거나 그 이상이며 새로운 데이터가 제공되면 즉시 업데이트될 수 있습니다."
핵 구조 연구
r-프로세스 시뮬레이션은 핵 구조와 관련된 연구에 연구팀의 기계 학습 적용을 보완합니다. 최근 Physical Review C에 게재된 기사에서 "편집자의 제안"으로 선정된 논문에서 팀은 기계 학습 알고리즘을 사용하여 정량적 불확실성이 있는 핵 결합 에너지를 재현했습니다. 즉, 그들은 원자핵을 양성자와 중성자로 분리하는 데 필요한 에너지와 각 예측에 대한 관련 오차 막대를 결정할 수 있었습니다. 따라서 이 알고리즘은 현재 핵 모델링에서 얻으려면 상당한 계산 시간과 자원이 필요한 정보를 제공합니다.
관련 작업에서 연구팀은 머신러닝 모델을 사용해 정확한 실험 데이터와 이론적 지식을 결합했습니다. 이러한 결과는 핵 지도의 알려진 영역을 확장하고 중원소의 기원을 밝히는 것을 목표로 하는 새로운 희귀 동위원소 빔 시설의 첫 번째 실험 활동 중 일부에 영감을 주었습니다.
출처:ScitechDaily