AI cho vật lý thiên văn: Giúp vẽ biểu đồ nguồn gốc của các nguyên tố nặng

Học máy dự đoán thành công mô hình các khối lượng nguyên tử của biểu đồ hạt nhân.

Một mô phỏng của Los Alamos về đĩa bồi tụ sau cuộc va chạm của hai sao neutron. Sự kiện này tạo ra cả các nguyên tố nhẹ (màu xanh lam) và nặng (đỏ). Nguồn: Los Alamos National Laboratory

Nguồn gốc của các nguyên tố nặng được nêu giả thuyết là kết quả của các va chạm giữa các sao neutron, khi tạo ra các điều kiện đủ nóng và đủ đậm đặc cho các neutron sáp nhập với các hạt nhân nguyên tử và hình thành các nguyên tố mới trong một cửa sổ thời gian vô cùng ngắn. Kiểm tra lý thuyết này và trả lời cho các câu hỏi vật lý thiên văn khác đòi hỏi những dự đoán cho một phạm vi rất lớn về khối lượng của các hạt nhân nguyên tử. Các nhà khoa học ở Phòng thí nghiệm quốc gia Los Alamos đang ở mặt tiền và trung tâm của việc sử dụng các thuật toán học máy (một ứng dụng của trí tuệ nhân tạo) để mô hình hóa thành công các khối lượng nguyên tử của toàn bộ biểu đồ nuclide – một loại nguyên tử được đặc trưng bởi số lượng proton (Z), neutron (N) và trạng thái năng lượng hạt nhân của chúng. Đây cũng là sự kết hợp của tất cả khả năng có thể của các proton và neutron để xác định các nguyên tố và các đồng vị của nó.

“Có hàng ngàn hạt nhân nguyên tử đo đạc được có thể tồn tại trong tự nhiên”, Matthew Mumpower, một nhà vật lý lý thuyết và đồng tác giả của nhiều bài báo miêu tả chi tiết nghiên cứu khối lượng nguyên tử. “Các thuật toán học máy vô cùng quyền lực, vì chúng có thể tìm thấy những tương quan phức tạp trong dữ liệu, một kết quả mà các mô hình vật lý hạt nhân lý thuyết phải vật lộn để tạo ra được một cách hiệu quả. Các tương quan có thể đem lại thông tin cho các nhà khoa học về “thứ vật lý bị mất” và có thể chuyển đổi thành thứ hữu dụng để tăng cường các mô hình hạt nhân hiện đại về khối lượng nguyên tử”.

Mô phỏng quá trình bắt neutron nhanh

Gần đây, Mumpower và cộng sự của mình, bao gồm cựu tập sự mùa hè Los Alamos Mengke Li và postdoc Trevor Sprouse, tác giả của một bài báo trên tạp chí Physics Letters B miêu tả mô phỏng một quá trình vật lý thiên văn quan trọng với một mô hình khối lượng học máy dựa trên vật lý 1. Quá trình r hay quá trình bắt neutron nhanh, là một quá trình vật lý thiên văn xảy ra trong những môi trường cực đoan, như những điều kiện ở những cuộc va chạm sao neutron. Các nguyên tố nặng có thể là kết quả từ “tổng hợp hạt nhân” đó; trên thực tế, một nửa các đồng vị nặng tới bismuth và tất cả các đồng vị của thorium, uranium trong vũ trụ có thể được tạo ra qua quá trình r.

Nhưng mô hình hóa quá trình r đòi hỏi các dự đoán lý thuyết của khối lượng vượt ra ngoài tầm với của thực nghiệm hiện nay. Cách tiếp cận học máy từ thông tin vật lý của nhóm nghiên cứu là huấn luyện cho một mô hình dựa trên sự lựa chọn ngẫu nhiên từ Đánh giá khối lượng nguyên tử, một cơ sở dữ liệu lớn về khối lượng. Tiếp theo các nhà nghiên cứu sử dụng các khối lượng được dự đoán đó để mô phỏng quá trình r. Mô hình này cho phép nhóm nghiên cứu lần đầu tiên mô phỏng sự tổng hợp hạt nhân của quá trình r với các dự đoán khối lượng học máy – một kỳ tích đáng kể vì các dự đoán học máy nhìn chung dễ bị sai khi ngoại suy.

“Chúng tôi đã chứng tỏ các khối lượng nguyên tủ do học máy tạo ra có thể mở ra cánh cửa cho dự đoán nằm ngoài vùng chúng ta có thể có dữ liệu thực nghiệm”, Mumpower nói. “Miếng ghép quan trọng này chính là thứ mà chúng tôi coi mô hình này tuân theo các lực của vật lý. Bằng cách đó, chúng tôi có thể có được những ngoại suy dựa trên vật lý. Các kết quả của chúng tôi ngang bằng hoặc vượt trội các mô hình lý thuyết hiện đại và có thể được cập nhật khi dữ liệu mới sẵn sàng”.

Nghiên cứu về các cấu trúc hạt nhân

Các mô phỏng quá trình r bổ sung ứng dụng học máy của nhóm nghiên cứu có liên quan đến những dự án nghiên cứu về cấu trúc hạt nhân. Trong một bài báo mới đây, được xuất bản trên Physical Review C 2 đã vinh dự được lựa chọn như một đề xuất của ban biên tập, nhóm nghiên cứu đã sử dụng các thuật toán học máy để tái tạo các mức năng lượng gắn kết hạt nhân với những bất định; đó là, họ có thể chắc chắn mức năng lượng cần thiết để phân tách hạt nhân nguyên tử thành các proton và neutron, cùng với nhiễu liêu quan đến mỗi dự đoán. Thuật toán này do đó cung cấp thông tin mà có thể sẽ mất nhiều thời gian và nguồn lực tính toán đáng kể mới có được, nếu sử dụng các mô hình hạt nhân hiện nay.

Trong một nghiên cứu liên quan 3, nhóm nghiên cứu đã sử dụng mô hình học máy của mình để kết hợp độ chính xác của dữ liệu thực nghiệm với hiểu biết lý thuyết. Các kết quả này đã thúc đẩy một số thực nghiệm đầu tiên tại Cơ sở máy gia tốc mới Chùm tia đồng vị hiếm, vốn được xem xét để mở rộng thêm hiểu biết về bản đồ hạt nhân và khám phá nguồn gốc của các nguyên tố nặng.

Nguyễn Nhàn tổng hợp

Nguồn: https://discover.lanl.gov/news/0312-ai-for-astrophysics/

https://nation.lk/online/ai-for-astrophysics-algorithms-help-chart-the-origins-of-heavy-elements-259225.html

————————————————

1. https://www.sciencedirect.com/science/article/pii/S0370269323007190?via%3Dihub

2.https://journals.aps.org/prc/abstract/10.1103/PhysRevC.106.L021301

3.https://journals.aps.org/prc/abstract/10.1103/PhysRevC.106.014305

Tác giả

(Visited 27 times, 1 visits today)