Разработка новых вычислительных моделей для прогнозирования путей бета-декая

Несмотря на это значение, многие из изотопов, относящихся к этим приложениям, являются недолговечными или чрезвычайно богатыми нейтронами, что делает экспериментальное исследование трудным или невозможным. Поэтому вычислительные модели должны заполнять пробелы, но традиционные подходы имеют значительные ограничения.

Проблемы в современных моделях

Ограничения модели Shell

Модель ядерной оболочки является одной из наиболее успешных рамок для описания ядерной структуры. Она рассматривает нуклоны, движущиеся в среднем поле и взаимодействующие через остаточные силы. Для бета-распада модель оболочки может вычислять переходные силы (Гамов-Теллер и Ферми) явно. Однако вычислительные масштабы затрат взрывчато-взрывочно с количеством валентных нуклонов и размером модельного пространства. Для тяжелых экзотических изотопов со многими валентными частицами точная диагонализация становится неразрешимой. Усечения и приближения необходимы, но они могут вводить систематические ошибки, которые трудно количественно оценить.

Проблемы с квазичастиц случайного-фазового приближения

Квазичастица Случайно-фазовое приближение (QRPA) широко используется для вычисления свойств бета-распада на ядерной диаграмме. Он рассматривает возбужденные состояния как суперпозиции возбуждения частиц-дыр и частиц-частиц на базовом состоянии BCS или HFB. В то время как вычислительно эффективно, QRPA страдает от нескольких недостатков:

• Он чувствителен к выбору ядерного взаимодействия и к лечению спаривания.
• Он имеет тенденцию переоценивать сильные стороны перехода вблизи основного состояния.
• Он не может легко улавливать корреляции многих тел за пределами двух квазичастиц.
• Результаты для экзотических ядер, далеких от стабильности, часто значительно отклоняются от экспериментальных данных.

Подходы функциональной теории плотности

Теория функционала ядерной плотности (DFT) предоставляет глобальное описание ядерных масс, деформаций и некоторых свойств распада. Для бета-распада DFT может быть расширен для вычисления значений Q-бета-распада и, с дополнительным моделированием, частичных периодов полураспада. Однако DFT по своей сути является теорией состояния земли, и надежный расчет элементов переходной матрицы остается проблемой. Функционалы Skyrme и Gogny, хотя и успешны для объемных свойств, требуют дальнейшей калибровки для наблюдаемых бета-распадов.

Расчетные затраты и масштабируемость

Для данного изотопа полный расчет модели оболочки может занять часы или дни на высокопроизводительном кластере. Сканирование сотен или тысяч неизвестных изотопов - как это требуется для сетей ядерной астрофизики - неосуществимо с традиционными подходами. Даже более быстрые методы, такие как QRPA, становятся трудоемкими, когда требуются систематические изменения параметров или количественная оценка неопределенности. Это вычислительное узкое место мотивировало разработку новых, более эффективных моделей.

Разработка новых вычислительных моделей

Последние достижения в области машинного обучения (ML) и высокопроизводительных вычислений (HPC) открывают новые возможности для моделирования бета-распада. Исследователи разрабатывают алгоритмы, которые используют большие наборы данных ядерных свойств, теоретические ограничения и эффективные суррогаты для создания точных прогнозов за небольшую часть стоимости. Эти модели делятся на несколько дополнительных категорий.

Глубокое обучение для прогнозирования пути к закату

Глубокие нейронные сети были обучены на базе данных оценочного файла данных ядерной структуры (ENSDF) и Национального центра ядерных данных (NNDC) для прогнозирования периодов полураспада бета-распада и коэффициентов ветвления. В отличие от традиционных формул, которые полагаются на несколько параметров (например, формула Краца-Геррмана), модели глубокого обучения могут изучать сложные, нелинейные отношения из тысяч точек данных. Свёрточные и графовые нейронные сети могут включать информацию о ядерной структуре, такую как протонные и нейтронные числа, пробелы оболочки и энергии сопряжения.

Например, в недавнем исследовании использовалась графовая нейронная сеть для представления ядерной карты в виде графика, где изотопы являются узлами, а распады — краями. Модель достигла медианного фактора улучшения прогнозов периода полураспада в 2-3 раза по сравнению со стандартными расчетами QRPA, особенно для богатых нейтронами изотопов, относящихся к процессу r . Такие модели могут экстраполироваться на области, где нет экспериментальных данных, хотя и с количественными неопределенностью.

Суррогатные модели для вычислительной эффективности

В то время как полноквантомеханические модели остаются золотым стандартом точности, они слишком медленные для крупномасштабных исследований чувствительности или моделирования Монте-Карло. Суррогатные модели - также известные как эмуляторы - обучаются на наборе вычислений высокой точности для приближения отношения ввода-вывода. Гауссовые эмуляторы процесса были успешно применены к моделям ядерной массы и в настоящее время расширяются до бета-распада.

Подход работает следующим образом: ограниченное количество вычислений модели оболочки или QRPA выполняется в пространстве параметров (например, различные силы взаимодействия, усечения пространства модели или разрывы пар). Эмулятор учится отображать из этих параметров прогнозируемые периоды полураспада или силы перехода. После обучения эмулятор может производить мгновенные прогнозы для любой новой комбинации параметров, обеспечивая быстрое распространение неопределенности и байесовский вывод. Этот метод снижает вычислительную стоимость параметрического исследования на порядки величины.

Уточненные теоретические рамки

Машинное обучение — не единственный путь; новые теоретические разработки также усиливают прогностическую силу. Функциональная теория зависящей от времени плотности (TDDFT) может имитировать динамику бета-распада в реальном времени, включая испускание бета-частицы и отдачу дочернего ядра. В то время как все еще вычислительно требовательная, TDDFT избегает некоторых статических приближений QRPA и может захватывать изменения формы и коллективное движение.

Другим перспективным направлением является использование методов ab initio, таких как группа ренормализации среднего сходства (IMSRG) или теория сопряженных кластеров, для ядер от света до средних масс. Эти методы начинаются с реалистичных нуклон-нуклеонов и трехнуклеонных сил и могут вычислять элементы матрицы бета-распада с количественно определяемыми неопределенностью. Хотя в настоящее время ограничены ядрами с A ≤ 80, достижения в вычислительной мощности и алгоритмические улучшения неуклонно продвигают границу к более тяжелым системам.

Гибридные подходы: объединение теории и данных

Наиболее мощными новыми моделями являются те, которые плавно интегрируют экспериментальные данные, теоретические расчеты и машинное обучение. Например, байесовскую нейронную сеть можно обучить как наблюдаемым полужизням, так и теоретическим предсказаниям QRPA. Сеть учится исправлять систематические ошибки QRPA при сохранении своих физических тенденций. Полученные прогнозы имеют меньшую неопределенность, чем любой из компонентов. Такой подход сродни «науке о данных с теоретическим руководством» и набирает обороты в ядерной физике.

Интеграция данных и теории

Объединение экспериментальных данных с теоретическими моделями позволяет проводить калибровку и валидацию новых вычислительных инструментов. Такая интеграция повышает надежность прогнозов для изотопов, которые трудно изучать экспериментально, например, далеких от стабильности. Ключевые аспекты включают:

Байесовское заключение для оценки параметров

Многие ядерные модели содержат регулируемые параметры — например, сила взаимодействия изоскаларовых пар в QRPA. Байесовские методы рассматривают эти параметры как неопределенные и используют экспериментальные данные для обновления своих вероятностных распределений. Результатом является заднее распределение, отражающее как предшествующие знания, так и ограничения данных. Такой подход количественно оценивает неопределенность в прогнозах и определяет, где дополнительные экспериментальные данные будут наиболее ценными.

Для бета-распада байесовская калибровка была применена к модели QRPA, используемой в Справочной библиотеке параметров входных параметров (RIPL) IAEA. При установке на измеренные периоды полураспада неопределенность в прогнозах для неизвестных изотопов, богатых нейтронами, была уменьшена в два раза. Аналогичные усилия предпринимаются для взаимодействий оболочек-модели.

Количественная неопределенность и распространение

Современные вычислительные модели должны обеспечивать не только точечный прогноз, но и надежную оценку неопределенности. Это имеет решающее значение для таких приложений, как антинейтринные спектры реакторов, где сумма многих вкладов бета-распада дает общий спектр, и могут накапливаться ошибки. Современные методы включают:

• Монте-Карло выбывает из программы для моделей глубокого обучения, чтобы оценить эпистемическую неопределенность.
• Гауссовые эмуляторы процессов, которые выводят как среднее, так и дисперсное значение.
• Загрузка теоретических предсказаний против экспериментальных данных.

Обеспечивая неопределенность, эти модели позволяют конечным пользователям принимать решения, учитывающие риски. Например, специалисты по оценке ядерных данных могут решить, полагаться ли на прогноз или запрашивать новое измерение.

Автоматический выбор модели

С множеством конкурирующих моделей (модель оболочки, QRPA, DFT, суррогаты машинного обучения) исследователям нужны объективные способы выбора лучшей модели для данного прогноза. Для сравнения моделей могут использоваться перекрестные валидации и информационные критерии (например, AIC, BIC). Новые подходы используют сложенное обобщение - объединение прогнозов из нескольких моделей с весами, обученными на данных валидации - для создания ансамблевого прогноза, который часто превосходит любую единственную модель.

Влияние и будущие направления

Разработка передовых вычислительных моделей обещает революционизировать наше понимание ядерных процессов и обеспечить практические применения, которые ранее были недоступны.

Предсказания для r -Процесс и астрофизические симуляции

Процесс быстрого захвата нейтронов (r-процесс) отвечает за производство примерно половины тяжелых элементов за пределами железа. Путь процесса r-процесс проходит через чрезвычайно богатые нейтронами изотопы, свойства бета-распада которых в значительной степени неизвестны. Вычислительные модели следующего поколения обеспечат полужизни и вероятности эмиссии нейтронов, необходимые для расчета изотопных изотопов и интерпретации наблюдений из килоновых и гамма-всплесков. Это, в свою очередь, поможет идентифицировать астрофизический сайт процесса r- будь то слияния нейтронных звезд, коллапсары или комбинация.

Поддержка редких изотопных установок

Такие объекты, как FRIB (Facility for Rare Isotope Beams), RIBF RIKEN и FAIR GSI, будут производить тысячи новых изотопов в течение следующего десятилетия. Вычислительные прогнозы необходимы для планирования экспериментов: они определяют, какие изотопы имеют измеримые ветви бета-распада, оценивают темпы производства и направляют установки детекторов. Модели, которые могут быстро и точно предсказать пути распада, ускорят научную производительность этих основных инвестиций.

Применение ядерной энергии и реакторов

В тепловом распаде ядерного топлива преобладают бета-распады продуктов деления. Существующие модели имеют известные недостатки - например, эффект «пандемониума», когда слабые коэффициенты разветвления пропущены экспериментально. Улучшенные теоретические прогнозы могут дополнять экспериментальные данные и уменьшать неопределенность в расчетах теплового распада. Секция ядерных данных МАГАТЭ поддерживает совместные контрольные упражнения для сравнения прогнозов из разных моделей, и новые вычислительные подходы являются ключевой частью этого усилия.

Медицинский изотоп Discovery

Растет интерес к тераностической паре — изотопам, которые испускают как терапевтическую бета-частицу, так и диагностический гамма-луч. Пригодность кандидата-изотопа зависит от его пути распада, периода полураспада и стабильности дочерних продуктов. Вычислительные модели могут экранировать тысячи потенциальных изотопов в силико, сужая список для экспериментального производства. Например, предсказания глубокого обучения недавно определили ¹⁶¹Tb и ⁶⁷Cu как недостаточно изученные изотопы с желательными свойствами распада для целевой радионуклидной терапии.

Фундаментальные симметричные тесты

Бета-распад также является чувствительным зондом физики за пределами Стандартной модели. Поиски ненулевой массы нейтрино, скалярных или тензорных токов и правых слабых бозонов основаны на точных измерениях и теоретических расчетах корреляций распада. Новые вычислительные модели могут обеспечить коррекцию ядерной структуры, необходимую для извлечения фундаментальных констант из экспериментальных данных, уменьшая доминирующий источник теоретической неопределенности.

Заключение

Стремление разработать новые вычислительные модели для прогнозирования путей бета-распада обусловлено конвергенцией потребностей: от ядерной астрофизики до медицины, от безопасности реакторов до фундаментальной физики. Традиционные квантово-механические модели, будучи мощными, ограничены вычислительными затратами и систематическими неопределенностями. Интеграция машинного обучения, байесовского вывода и высокопроизводительных вычислений дает модели, которые не только быстрее, но и точнее и менее предвзяты. Эти методы еще молоды, но они уже продемонстрировали замечательный успех в прогнозировании периодов полураспада, коэффициентов разветвления и энергий распада на ядерной диаграмме.

Будущие исследования направлены на расширение прогнозов до более широкого спектра изотопов, повышение точности расчетов скорости распада и поддержку проектирования новых ядерных материалов и медицинских изотопов. По мере совершенствования этих моделей они обеспечат жизненно важное понимание фундаментальной работы атомных ядер и помогут решить практические проблемы в области энергетики, медицины и астрофизики. Грядущее десятилетие обещает стать захватывающей эрой в ядерной науке, где подходы, основанные на данных и теории, работают рука об руку, чтобы раскрыть секреты бета-распада.

Для дальнейшего чтения см. обзор «Beta-Decay Half-Lives: From Nuclear Structure to Applications» в Ежегодное рассмотрение ядерной и элементарной науки и последние оценки из Национального центра ядерных данных .