天体物理学中的人工智能：算法帮助描绘重元素起源

洛斯阿拉莫斯国家实验室的科学家们正在利用机器学习算法成功地对整个核素图进行原子质量建模，这一图表包含了所有可能的质子和中子组合，定义了元素及其同位素。这些研究为解决宇宙中重元素的起源等天体物理问题提供了预测性的支持，也有助于加强现代原子质量的核模型。

研究团队最近在《物理快报》上发表了一篇论文，描述了他们使用基于物理的机器学习质量模型模拟了一个重要的天体物理过程——快速中子俘获过程（r过程）。这一过程发生在极端环境中，例如由中子星碰撞产生的情况。重元素可能是由这种“核合成”产生的；事实上，直到钋之前的一半重同位素以及宇宙中的所有钍和铀可能都是由r过程创造的。

而模拟r过程需要目前实验无法达到的原子质量的理论预测。研究团队的物理学机器学习方法训练了一个模型，该模型基于来自原子质量评估的大量数据的随机选择。然后，研究人员使用这些预测的质量来模拟r过程。这一模型使得团队首次能够使用机器学习的质量预测来模拟r过程的核合成——这是一个重大的成就，因为当进行外推时，机器学习预测通常会失效。

此外，研究团队还将机器学习算法应用于相关的核结构研究。在一篇最近发表于《物理评论C》的文章中，研究团队使用机器学习算法重新生成了核结合能，并量化了不确定性；也就是说，他们能够确定将原子核分解为质子和中子所需的能量，以及每个预测的相关误差范围。这一算法因此提供了从当前核模型中获得这些信息所需的大量计算时间和资源。

总的来说，这些研究结果不仅展示了机器学习原子质量可以开启超出我们已有实验数据范围的预测，同时也证明了遵循物理定律的模型可以实现基于物理的外推。这些结果与甚至优于当下的理论模型相媲美，并且在新数据可用时能够立即更新。