Een samenwerking tussen de Facility for Rare Isotope Beams (FRIB) en het Department of Statistics and Probability (STT) van de Michigan State University (MSU) schatte de grenzen van het nucleaire bestaan ​​door statistische analyse toe te passen op nucleaire modellen, en beoordeelde de impact van huidige en toekomstige FRIB-experimenten.

Meer dan 99,9 procent van het zichtbare heelal bestaat uit 286 stabiele isotopen. Echter, de kernkracht maakt veel meer onstabiele, radioactieve isotopen bestaan. Die instabiliteit komt vaak van hoe moeilijk het is om cohesie te behouden als er veel meer neutronen dan protonen in een bepaalde kern zijn. De meeste van deze onstabiele isotopen zullen we misschien nooit waarnemen, maar deze kortlevende bewoners van het nucleaire grensgebied zijn van belang:ze regelen de processen in sterren die alle dingen om ons heen creëren, en waar we van gemaakt zijn.

Meer dan een jaar geleden, FRIB en STT bij MSU vormden een nieuwe samenwerking tussen kernfysica en statistische wetenschappen. Deze samenwerking, geleid door de gezamenlijke aanstelling van statistiekonderzoeker Dr. Léo Neufcourt, werd geboren om kernfysica en statistiek samen te laten werken bij het bouwen van voorspellende modellen die fundamentele vragen over zeldzame isotopen zullen beantwoorden.

In het licht van de recente ontdekking van acht nieuwe zeldzame isotopen van de elementen fosfor, zwavel, chloor, argon, potassium, scandium, en calcium (de zwaarste isotopen van deze elementen ooit gevonden), het FRIB/STT-team schatte de grenzen van het nucleair bestaan ​​in de calciumregio met een volledige kwantificering van onzekerheden, beoordeling van de impact van de experimentele ontdekking op het onderzoek naar nucleaire structuren. Het werk is gepubliceerd in Fysieke beoordelingsbrieven .

De groep gebruikte een statistisch raamwerk genaamd Bayesiaanse machine learning, waarbij statistische modelparameters en voorspellingen worden verkregen in de vorm van een posterieure waarschijnlijkheid. In essentie, dit raamwerk maakt het mogelijk om nieuwe gegevens (bewijs) te gebruiken om in te schatten hoe waarschijnlijk bepaalde gerelateerde uitkomsten zijn. De methodologie die ze gebruiken, wordt uitgelegd in een gezamenlijke paper in Fysieke beoordeling C . Na een individuele analyse van verschillende nucleaire modellen, hun voorspellingen worden gecombineerd met behulp van Bayesiaanse gewichten op basis van het vermogen van elk model om rekening te houden met de meest recente ontdekkingen.

Met behulp van de nieuwste massagegevens en bewijs van het bestaan ​​van chloor, argon en zwavel samen met wat momenteel bekend is over bestaande kernen, de onderzoekers pasten een Bayesiaanse benadering toe met nucleaire theoriemodellen om te voorspellen wat nieuwe zware kernen zouden kunnen zijn, en met welke waarschijnlijkheid ze zouden kunnen bestaan. Deze analyse is een vorm van wat ook wel bekend staat als gesuperviseerd machine learning. Het algoritme krijgt eerst nucleaire modellen en informatie over experimenteel gevonden kernen. Het onderzoekt een groot aantal mogelijkheden, maar concentreert zich vervolgens op de meest relevante, gezien de huidige experimentele gegevens. De methodologie stelt onderzoekers in staat om de onzekerheden van hun voorspellingen nauwkeurig en betrouwbaar te kwantificeren.

Wat dat betreft, ze schatten dat zwaardere calciumisotopen, tot calcium-70, zou kunnen bestaan ​​(zie afbeelding). Volgens deze resultaten, calcium-68 bijvoorbeeld is 76 procent waarschijnlijk. Deze schatting kan veranderen als wetenschappers nieuwe isotopen ontdekken in dezelfde regio, die het team zal gebruiken om zijn voorspellingen bij te werken. In de toekomst, Met FRIB kunnen wetenschappers mogelijk calcium-68 of zelfs calcium-70 maken.

Het team werkt aan verschillende andere toepassingen van Bayesiaanse machine learning met toepassingen in de kernfysica, inclusief een project om de deeltjesbundel in de FRIB-versneller te kalibreren. De methodologie zal naar verwachting directe toepassingen hebben op gebieden die gekwantificeerde gegevens nodig hebben uit op modellen gebaseerde extrapolaties, zoals nucleaire astrofysica.