ब्रह्मांड में भारी तत्वों की उत्पत्ति सैद्धांतिक रूप से न्यूट्रॉन तारे की टक्कर का परिणाम है। न्यूट्रॉन तारे के टकराव से उत्पन्न उच्च तापमान और उच्च घनत्व की स्थितियाँ मुक्त न्यूट्रॉन को परमाणु नाभिक के साथ विलय करने और एक पल में नए तत्व बनाने की अनुमति देने के लिए पर्याप्त हैं। इस सिद्धांत का परीक्षण करने और अन्य खगोलीय प्रश्नों के उत्तर देने के लिए परमाणु नाभिक के द्रव्यमान की विशाल श्रृंखला पर भविष्यवाणियों की आवश्यकता होती है।लॉस एलामोस नेशनल लेबोरेटरी के वैज्ञानिक मशीन लर्निंग एल्गोरिदम, कृत्रिम बुद्धिमत्ता के एक अनुप्रयोग का उपयोग करने वाले पहले व्यक्ति थे, जिन्होंने पूरे न्यूक्लाइड मानचित्र का एक परमाणु द्रव्यमान मॉडल सफलतापूर्वक बनाया - प्रोटॉन और न्यूट्रॉन के सभी संभावित संयोजन जो एक तत्व और उसके आइसोटोप को परिभाषित करते हैं।
सैद्धांतिक भौतिक विज्ञानी मैथ्यू ममपॉवर ने कहा: "प्रकृति में हजारों नाभिक हो सकते हैं जिन्हें अभी तक मापा नहीं गया है। मशीन लर्निंग एल्गोरिदम बहुत शक्तिशाली हैं क्योंकि वे डेटा में जटिल सहसंबंध पा सकते हैं जिन्हें सैद्धांतिक परमाणु भौतिकी मॉडल कुशलतापूर्वक उत्पन्न करने के लिए संघर्ष करते हैं। ये सहसंबंध वैज्ञानिकों को 'लापता भौतिकी' के बारे में जानकारी प्रदान कर सकते हैं, जिसका उपयोग परमाणु द्रव्यमान के आधुनिक परमाणु मॉडल को मजबूत करने के लिए किया जा सकता है।"
तीव्र न्यूट्रॉन कैप्चर प्रक्रिया का अनुकरण करें
हाल ही में, ममपॉवर और सहकर्मियों (पूर्व लॉस एलामोस ग्रीष्मकालीन छात्र मेंगके ली और पोस्टडॉक ट्रेवर स्प्राउसे सहित) ने फिजिक्स लेटर्स बी में एक पेपर प्रकाशित किया, जिसमें एक महत्वपूर्ण खगोलभौतिकी प्रक्रिया का अनुकरण करने के लिए भौतिकी-आधारित मशीन लर्निंग मास मॉडल के उपयोग का वर्णन किया गया है। आर प्रक्रिया, तीव्र न्यूट्रॉन कैप्चर प्रक्रिया, एक खगोलभौतिकी प्रक्रिया है जो चरम वातावरण में होती है, जैसे कि न्यूट्रॉन स्टार टकराव द्वारा निर्मित वातावरण।
इस "न्यूक्लियोसिंथेसिस" से भारी तत्व आ सकते हैं। वास्तव में, ब्रह्मांड में बिस्मथ तक के आधे भारी आइसोटोप और सभी थोरियम और यूरेनियम संभवतः इस "न्यूक्लियोसिंथेसिस" प्रक्रिया द्वारा उत्पादित किए गए थे।
हालाँकि, इस प्रक्रिया के मॉडलिंग के लिए परमाणु द्रव्यमान की सैद्धांतिक भविष्यवाणियों की आवश्यकता होती है, जिसे वर्तमान प्रयोग प्राप्त नहीं कर सकते हैं। अनुसंधान दल ने परमाणु द्रव्यमान मूल्यांकन (एटॉमिकमासइवैल्यूएशन) के बड़े पैमाने पर डेटाबेस से यादृच्छिक रूप से चयन करने और एक मॉडल को प्रशिक्षित करने के लिए भौतिक सूचना मशीन सीखने के तरीकों का उपयोग किया। इसके बाद, शोधकर्ताओं ने आर प्रक्रिया का अनुकरण करने के लिए इन भविष्यवाणियों के द्रव्यमान का उपयोग किया। मॉडल ने अनुसंधान टीम को पहली बार मशीन लर्निंग भविष्यवाणियों की गुणवत्ता के साथ आर-प्रक्रिया न्यूक्लियोसिंथेसिस का अनुकरण करने की अनुमति दी - पहली बार क्योंकि मशीन लर्निंग भविष्यवाणियां अक्सर एक्सट्रपलेशन पर विफल हो जाती हैं।
ममपॉवर ने कहा, "हमने दिखाया है कि परमाणु द्रव्यमान की मशीन लर्निंग प्रयोगात्मक डेटा से परे भविष्यवाणियों के द्वार खोल सकती है।" "मुख्य बिंदु यह है कि हम मॉडल को भौतिकी के नियमों का पालन करने के लिए कहते हैं। ऐसा करने से, हम भौतिकी-आधारित अनुमान लगाने में सक्षम होते हैं। हमारे परिणाम समकालीन सैद्धांतिक मॉडल के बराबर या उससे बेहतर हैं, और नया डेटा उपलब्ध होने पर तुरंत अपडेट किया जा सकता है।"
परमाणु संरचना का अध्ययन करें
आर-प्रक्रिया सिमुलेशन परमाणु संरचना से संबंधित अध्ययनों के लिए अनुसंधान टीम के मशीन लर्निंग के अनुप्रयोग को पूरक बनाता है। फिजिकल रिव्यू सी में प्रकाशित एक हालिया लेख में जिसे "संपादक के सुझाव" के रूप में चुना गया था, टीम ने मात्रात्मक अनिश्चितता के साथ परमाणु बंधन ऊर्जा को पुन: उत्पन्न करने के लिए मशीन लर्निंग एल्गोरिदम का उपयोग किया; अर्थात्, वे परमाणु नाभिक को प्रोटॉन और न्यूट्रॉन में अलग करने के लिए आवश्यक ऊर्जा, साथ ही प्रत्येक भविष्यवाणी के लिए संबंधित त्रुटि सलाखों को निर्धारित करने में सक्षम थे। इसलिए, यह एल्गोरिदम ऐसी जानकारी प्रदान करता है जिसे वर्तमान परमाणु मॉडलिंग से प्राप्त करने के लिए महत्वपूर्ण कम्प्यूटेशनल समय और संसाधनों की आवश्यकता होगी।
संबंधित कार्य में, अनुसंधान टीम ने सटीक प्रयोगात्मक डेटा को सैद्धांतिक ज्ञान के साथ संयोजित करने के लिए अपने मशीन लर्निंग मॉडल का उपयोग किया। इन परिणामों ने नई दुर्लभ आइसोटोप बीम सुविधा में कुछ पहली प्रायोगिक गतिविधियों को प्रेरित किया, जिसका उद्देश्य परमाणु मानचित्र के ज्ञात क्षेत्र का विस्तार करना और भारी तत्वों की उत्पत्ति को प्रकट करना है।
से संकलित: ScitechDaily