宇宙中重元素的起源理論上是中子星碰撞的結果，中子星碰撞產生的高溫和高密度條件足以讓自由中子與原子核合併，瞬間形成新元素。要檢驗這個理論並回答其他天文物理問題，需要對原子核的巨大質量範圍進行預測。洛斯阿拉莫斯國家實驗室的科學家們率先使用機器學習演算法（人工智慧的一種應用），成功地建立了整個核素圖的原子質量模型–所有可能的質子和中子的組合定義了元素及其同位素。

理論物理學家馬修-芒鮑爾（Matthew Mumpower）說：「自然界中可能存在成千上萬個尚未測量的原子核。機器學習演算法非常強大，因為它們可以在數據中發現複雜的相關性，而理論核物理模型卻很難有效地產生這種結果。這些相關性可以為科學家提供有關’缺失物理’的信息，反過來又可以用來加強原子質量的現代核模型。”

模擬快速中子捕獲過程

最近，Mumpower 和他的同事（包括前洛斯阿拉莫斯暑期學生李夢柯和博士後Trevor Sprouse）在《物理快報B》上發表了一篇論文，描述了用基於物理學的機器學習質量模型模擬一個重要的天體物理過程。r過程，即快速中子捕獲過程，是發生在極端環境中的天文物理過程，如中子星碰撞產生的環境。

重元素可能來自這種”核合成”。事實上，宇宙中一半的重同位素直至鉍以及所有的釷和鈾都可能是由這種”核合成”過程產生的。

洛斯阿拉莫斯模擬的兩顆中子星碰撞後的吸積盤。這事件同時產生了輕元素（藍色）和重元素（紅色）。資料來源：洛斯阿拉莫斯國家實驗室

然而，對這個過程進行建模需要對原子質量進行理論預測，而目前的實驗還無法達到這項要求。研究小組採用物理資訊機器學習方法，從原子品質評估（Atomic Mass Evaluation）這個大型質量資料庫中隨機選擇，訓練出一個模型。接下來，研究人員利用這些預測的品質來模擬r 過程。該模型使研究小組首次利用機器學習預測的品質模擬了r過程的核合成–這是一項重大創舉，因為機器學習預測通常會在外推時崩潰。

Mumpower說：”我們已經證明，機器學習原子質量可以為我們在實驗數據之外的預測打開大門。關鍵的一點是，我們告訴模型要遵守物理定律。透過這樣做，我們就能進行基於物理學的推論。我們的結果與當代理論模型不相上下，甚至更勝一籌，並且可以在獲得新數據時立即更新。”

研究核結構

r過程模擬是研究團隊將機器學習應用於核結構相關研究的補充。在最近發表在《物理評論C》上的一篇被選為”編輯建議”的文章中，研究小組利用機器學習演算法重現了具有量化不確定性的核結合能；也就是說，他們能夠確定將原子核分離成質子和中子所需的能量，以及每個預測的相關誤差條。因此，該演算法提供的資訊需要大量的計算時間和資源才能從目前的核建模中獲得。

在相關工作中，研究小組利用他們的機器學習模型將精確的實驗數據與理論知識結合。這些結果激發了新的稀有同位素束設施的一些首批實驗活動，該設施旨在擴大核圖的已知區域並揭示重元素的起源。

編譯自: ScitechDaily