Wetenschappers hebben een nieuw theoretisch raamwerk ontwikkeld dat preciezere voorspellingen mogelijk maakt van hoe elektronen uit atomen worden uitgestoten wanneer ze interageren met hoogenergetische straling. Dit raamwerk is gebaseerd op een combinatie van kwantummechanica en machine learning-technieken.

De ionisatie van atomen, het proces waarbij een elektron wordt verwijderd van zijn ouderatoom, is een fundamenteel proces bij veel fysische verschijnselen, waaronder het genereren van röntgenstraling, deeltjesversnelling en plasmavorming. Dit proces is vooral belangrijk in de context van experimenten in de hoge-energiefysica, waarbij de precieze kennis van ionisatiesnelheden cruciaal is voor het begrijpen van het gedrag van subatomaire deeltjes.

De nieuwe berekeningsaanpak, ontwikkeld door een team onder leiding van Dr. Oliver Bünermann van het Joint Institute for Nuclear Research (JINR) in Dubna, Rusland, en collega's uit Duitsland, Polen en het Verenigd Koninkrijk, verbetert de nauwkeurigheid van voorspellingen voor elektronen aanzienlijk. ionisatie van atomen blootgesteld aan hoogenergetische straling. Het raamwerk is gebaseerd op de relativistische plane-wave Born-benadering (PWBA), die een nauwkeurige beschrijving geeft van ionisatieprocessen bij hoge energieën.

De belangrijkste vooruitgang ligt in de combinatie van de PWBA met geavanceerde machine learning-technieken. De machine learning-algoritmen zijn getraind op een uitgebreide dataset van experimentele gegevens, waardoor ze de complexe onderliggende patronen en relaties kunnen leren kennen die elektronenionisatie beheersen. Hierdoor kan het raamwerk nauwkeurigere voorspellingen doen voor verschillende doelatomen, invallende elektronenenergieën en ionisatiekanalen.

De onderzoekers evalueerden de prestaties van hun nieuwe aanpak door de voorspellingen ervan te vergelijken met experimentele gegevens voor verschillende atomaire doelen, waaronder waterstof, helium, koolstof en stikstof. De resultaten lieten significante verbeteringen in nauwkeurigheid zien vergeleken met bestaande theoretische modellen, wat het potentieel van het raamwerk aantoont om betrouwbaardere ionisatiegegevens te verschaffen voor een breed scala aan toepassingen.

De nieuwe berekeningsaanpak heeft verschillende potentiële toepassingen op verschillende wetenschappelijke gebieden, waaronder hoge-energiefysica, atomaire en moleculaire fysica, astrofysica en plasmafysica. Het kan ook bijdragen aan de ontwikkeling van maatregelen ter bescherming tegen straling, omdat het nauwkeurigere schattingen mogelijk maakt van de blootstelling aan straling en de effecten ervan op biologische weefsels.

Het onderzoeksteam is van plan het raamwerk verder te verfijnen en de mogelijkheden ervan uit te breiden om een ​​breder scala aan scenario's en toepassingen te bestrijken. Ze willen ook het gebruik van alternatieve machine learning-technieken onderzoeken en de onderliggende fysische principes onderzoeken die het ionisatieproces bepalen om een ​​dieper inzicht te krijgen in dit fundamentele fenomeen.

Samenvattend vertegenwoordigt de nieuwe berekeningsaanpak, ontwikkeld door Dr. Bünermann en collega's, een aanzienlijke vooruitgang in het voorspellen van de ionisatie van atomen die worden blootgesteld aan hoogenergetische straling. Door kwantummechanica en machinaal leren te combineren, biedt het raamwerk nauwkeurigere en betrouwbaardere ionisatiegegevens, waardoor nieuwe wegen worden geopend voor onderzoek en toepassingen op verschillende wetenschappelijke gebieden.