导读 理论上，我们宇宙中重元素的起源是中子星碰撞的结果，中子星碰撞产生了足够热和致密的条件，使自由中子与原子核合并并在瞬间的时间窗口内形...

理论上，我们宇宙中重元素的起源是中子星碰撞的结果，中子星碰撞产生了足够热和致密的条件，使自由中子与原子核合并并在瞬间的时间窗口内形成新元素。测试这一理论并回答其他天体物理学问题需要预测大量原子核的质量。

洛斯阿拉莫斯国家实验室的科学家在使用机器学习算法(人工智能的应用)成功模拟整个核素图的原子质量(定义元素及其同位素的所有可能的质子和中子的组合)方面处于领先地位。

“自然界中可能存在成千上万个尚未测量的原子核，”理论物理学家马修·芒鲍尔(matthew mumpower)说，他是最近几篇详细介绍原子质量研究的论文的合著者。“机器学习算法非常强大，因为它们可以发现数据中复杂的相关性，这是理论核物理模型难以有效产生的结果。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现代核物理模型的研究。原子质量的核模型。”

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克和博士后 trevor sprouse，在《physics letters b》上发表了一篇论文，描述了使用基于物理的机器学习质量模型来模拟重要的天体物理过程。

r过程或快速中子捕获过程是在极端环境中发生的天体物理过程，例如中子星碰撞产生的过程。重元素可能是由这种“核合成”产生的;事实上，宇宙中一半的重同位素(直到铋)以及所有的钍和铀可能都是由r过程产生的。

但对 r 过程进行建模需要对目前实验无法达到的原子质量进行理论预测。该团队的物理信息机器学习方法基于从原子质量评估(一个大型质量数据库)中随机选择来训练模型。接下来，研究人员使用这些预测的质量来模拟 r 过程。

该模型使团队首次能够通过机器学习的质量预测来模拟 r 过程核合成——这是一项重大壮举，因为机器学习预测在外推时通常会失败。

“我们已经证明，机器学习原子质量可以为超出我们实验数据范围的预测打开大门，”mumpower 说。“关键是我们告诉模型遵守物理定律。通过这样做，我们可以进行基于物理的外推。我们的结果与当代理论模型相当或优于当代理论模型，并且可以在新数据可用时立即更新。 ”

研究核结构

r过程模拟补充了研究团队将机器学习应用于核结构相关研究的应用。在 2022 年发表在《物理评论 c》上的一篇被选为编辑建议的文章中，该团队使用机器学习算法来重现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线。因此，该算法提供了从当前核建模中获取需要大量计算时间和资源的信息。

在 2022 年发表在《physical review c》上的相关工作中，该团队使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。

这些结果也发表在《物理学前沿》2023 年的一篇文章中，激发了稀有同位素束新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。