Utiliser l'apprentissage automatique pour prédire la masse nucléaire

La Masse nucléaire fait référence au poids des noyaux atomiques, qui jouent un rôle important pour comprendre comment les atomes se comportent et interagissent. L'étude de la masse nucléaire est cruciale pour divers domaines, y compris la physique nucléaire et l'astrophysique. Cependant, mesurer la masse de certains noyaux, en particulier ceux qui sont instables ou rares, peut être compliqué. Du coup, les chercheurs s'appuient souvent sur des modèles théoriques pour prédire la masse nucléaire, mais ces modèles peuvent avoir des limites. C'est là qu'intervient l'apprentissage automatique (ML), car il offre de nouvelles façons d'analyser les données existantes et de faire des prédictions.

Dans cet article, on va discuter de la façon dont les modèles d'apprentissage automatique peuvent être utilisés pour prédire la masse des noyaux atomiques. On va couvrir deux types spécifiques de modèles ML : la Régression par Support Vector (SVR) et la Régression par processus gaussien (GPR). Les deux modèles ont montré des promesses dans ce domaine et sont à l'étude pour leur précision et leur efficacité dans la prédiction de la masse nucléaire.

#Contexte sur la Masse Nucléaire

La masse d'un noyau atomique est déterminée par le nombre de protons et de neutrons qu'il contient. Les protons sont des particules chargées positivement, tandis que les neutrons n'ont pas de charge. Ensemble, ils sont appelés nucléons. L'équilibre de ces nucléons affecte la stabilité et le comportement du noyau. Certains nucléons sont fortement liés, tandis que d'autres peuvent être faiblement retenus et plus susceptibles d'être perdus lorsque le noyau est perturbé.

La masse nucléaire est importante pour comprendre les réactions nucléaires, qui sont essentielles dans divers domaines, y compris la production d'énergie et les processus astrophysiques. Par exemple, lors d'événements stellaires, des réactions nucléaires se produisent qui transforment des éléments légers en éléments plus lourds, libérant de l'énergie. Comprendre ces processus nécessite des prévisions précises de la masse nucléaire.

En raison des défis liés à la mesure directe de la masse de certains noyaux, les chercheurs se sont appuyés sur une combinaison de Données expérimentales et de modèles théoriques. Ces modèles tentent de calculer la masse en fonction des relations connues entre les propriétés des nucléons, mais ils ne sont pas toujours précis, surtout pour les noyaux qui sont loin de ceux qui ont été mesurés avec succès.

#Le Besoin de l'Apprentissage Automatique

Les méthodes traditionnelles de prédiction de la masse nucléaire, bien que utiles, ont des limites. Les techniques expérimentales ne peuvent mesurer que certains noyaux, principalement ceux qui sont stables. De plus, les modèles théoriques peuvent ne pas capturer toutes les complexités du comportement nucléaire, en particulier dans les régions du paysage nucléaire qui sont mal comprises.

L'apprentissage automatique offre une approche alternative. En analysant les données existantes et en identifiant des modèles, les modèles ML peuvent faire des prédictions sur les propriétés nucléaires, y compris la masse. L'avantage de l'utilisation de l'apprentissage automatique réside dans sa capacité à apprendre à partir des données sans être explicitement programmé pour suivre des règles spécifiques. Cette flexibilité permet des prédictions plus précises, surtout dans des domaines qui ne sont pas bien explorés.

#Aperçu des Modèles d'Apprentissage Automatique

Dans cette étude, deux modèles ML ont été utilisés : la Régression par Support Vector (SVR) et la Régression par Processus Gaussien (GPR). Chacun de ces modèles a des caractéristiques uniques qui les rendent adaptés à la prédiction de la masse nucléaire.

#Régression par Support Vector (SVR)

La Régression par Support Vector est un type de modèle d'apprentissage automatique qui se concentre sur la prédiction de valeurs continues. Elle le fait en trouvant un hyperplan, qui est une surface plate dans un espace de haute dimension, qui correspond le mieux aux données d'entraînement. L'objectif est de minimiser les erreurs dans les prédictions tout en s'assurant que les points de données sont aussi proches que possible de cet hyperplan.

SVR utilise un concept appelé vecteurs de support, qui sont les points de données les plus proches des limites de l'hyperplan. Ces points sont cruciaux car ils aident le modèle à définir la marge dans laquelle les prédictions peuvent varier. En ajustant divers paramètres, SVR peut gérer efficacement les relations non linéaires dans les données, ce qui la rend utile pour des problèmes complexes comme la prédiction de la masse nucléaire.

Dans la pratique, SVR nécessite un ajustement soigneux des paramètres pour s'assurer qu'il ne surajuste pas (ajustement trop étroit aux données d'entraînement) ou ne sous-ajuste pas (ne capture pas la tendance sous-jacente). En utilisant différents types de fonctions de noyau, SVR peut s'adapter aux caractéristiques spécifiques des données qu'il analyse.

#Régression par Processus Gaussien (GPR)

La Régression par Processus Gaussien, en revanche, est basée sur les principes de probabilité et de statistiques. Ce modèle traite les prédictions comme des distributions plutôt que comme des valeurs fixes. Il établit une croyance préalable sur la fonction reliant les entrées et les sorties, qui est ensuite mise à jour au fur et à mesure que de nouvelles données sont observées.

GPR utilise une combinaison de fonctions moyennes et de fonctions noyau pour décrire les relations entre les entrées (les caractéristiques) et les sorties (la masse nucléaire prédite). Au fur et à mesure que le modèle rencontre plus de données, il affine ses prédictions et fournit non seulement la masse attendue, mais aussi une mesure d'incertitude. Cet aspect est particulièrement précieux car il permet aux chercheurs d'évaluer à quel point ils peuvent être confiants dans les prédictions faites par le modèle.

L'utilisation de noyaux dans GPR permet de capturer des modèles complexes dans les données. Comme pour SVR, le choix de la fonction de noyau peut avoir un impact significatif sur la performance du modèle, ce qui rend essentiel de sélectionner des noyaux appropriés pour l'ensemble de données spécifique.

#Données Expérimentales et Espace des Caractéristiques

Pour entraîner les modèles ML, les chercheurs ont utilisé des données expérimentales sur la masse des noyaux atomiques. Ces données provenaient de l'évaluation de la masse atomique de 2020, qui comprenait des informations sur des milliers de noyaux. Au total, il y avait 2 386 noyaux, dont un sous-ensemble a été utilisé pour entraîner les modèles, tandis qu'un autre sous-ensemble a été conservé pour les tests.

Les données ont été divisées en deux groupes principaux : un ensemble d'entraînement utilisé pour construire le modèle et un ensemble de test utilisé pour évaluer la capacité du modèle à prédire la masse nucléaire pour des données non vues. Un ensemble supplémentaire de 71 noyaux nouvellement mesurés a également été inclus pour tester les capacités d'extrapolation des modèles, c'est-à-dire leur capacité à prédire la masse pour des noyaux en dehors des données d'entraînement.

Pour améliorer les prédictions, des caractéristiques ou des caractéristiques des noyaux ont été sélectionnées en fonction de leur pertinence pour les prévisions de masse. L'espace des caractéristiques pour cette étude incluait une gamme de propriétés telles que le nombre de protons et de neutrons, le nombre de masse, l'asymétrie isospinique, et plus encore. Inclure un ensemble de caractéristiques diversifié aide les modèles à capturer les informations essentielles nécessaires pour des prévisions de masse précises.

#Évaluation de la Performance des Modèles ML

Une fois que les modèles ont été entraînés à l'aide des données disponibles, leur performance a été évaluée en fonction de la précision avec laquelle ils pouvaient prédire la masse des noyaux dans l'ensemble de test. La précision des prédictions a été quantifiée à l'aide des écarts quadratiques moyens (RMS), qui mesurent la différence moyenne entre les valeurs prédites et réelles.

Les modèles SVR et GPR ont bien performé sur les ensembles d'entraînement et de test. En utilisant uniquement les propriétés nucléaires de base, le modèle GPR a montré une bonne précision, avec des écarts RMS meilleurs que ceux de nombreux modèles traditionnels. Le modèle SVR, bien que légèrement moins précis que le GPR, a tout de même fourni des résultats raisonnables.

À mesure que les chercheurs incorporaient plus de caractéristiques dans les modèles, leur performance s'est améliorée de manière significative. Avec un espace de caractéristiques plus complet, le modèle GPR a pu réduire encore plus les écarts RMS, ce qui suggère qu'il capturait efficacement les informations nécessaires sur la masse nucléaire.

Par exemple, le modèle GPR utilisant 12 caractéristiques a atteint des écarts RMS aussi bas que 0,14 et 0,26 MeV pour les ensembles d'entraînement et de test, respectivement. Ces résultats indiquent une forte capacité prédictive et sont impressionnants comparés à d'autres modèles de masse nucléaire existants, qui montrent souvent des écarts RMS plus élevés.

#Capacités d'Extrapolation

L'un des défis majeurs pour les modèles d'apprentissage automatique, en particulier dans les applications scientifiques, est leur capacité à extrapoler au-delà des données d'entraînement. L'extrapolation fait référence à faire des prédictions sur des points de données qui se situent en dehors de la portée de l'ensemble d'entraînement.

Dans cette étude, les modèles GPR et SVR ont été testés sur des noyaux qui n'avaient pas été inclus dans la phase d'entraînement. Les modèles ont été évalués sur les noyaux nouvellement mesurés provenant de AME2020 et des prédictions ont été faites pour des zones riches en neutrons du tableau nucléaire où les données expérimentales sont rares.

Le modèle GPR, en particulier en utilisant 12 caractéristiques, a montré des performances prometteuses en matière d'extrapolation. Bien que les incertitudes augmentent à mesure que les prédictions s'éloignent des données d'entraînement, le modèle GPR a tout de même pu fournir des Prédictions de masse raisonnables pour de nombreux noyaux extrapolés.

En revanche, bien que le modèle SVR ait également démontré une certaine capacité à généraliser, il nécessitait plus de données pour obtenir des résultats similaires à ceux du GPR. Cela met en évidence la force du modèle GPR en ce qui concerne la gestion de l'incertitude dans les prédictions extrapolées.

#Perspectives de l'IA Explicable

Un des défis avec les modèles d'apprentissage automatique est qu'ils fonctionnent souvent comme une "boîte noire", rendant difficile la compréhension de la façon dont ils parviennent à leurs prédictions. Pour répondre à cette préoccupation, les chercheurs ont utilisé des techniques d'IA explicable (XAI), en utilisant spécifiquement les SHapley Additive exPlanations (SHAP).

Les valeurs SHAP aident à mettre en évidence les contributions de chaque caractéristique aux prédictions du modèle. En calculant ces valeurs, les chercheurs peuvent voir quelles caractéristiques ont le plus grand impact sur la masse nucléaire prédite.

Dans l'analyse, il a été découvert que des caractéristiques telles que le nombre de protons, de neutrons et certaines propriétés nucléaires avaient une influence substantielle sur les prédictions du modèle. Cette compréhension peut aider les chercheurs à affiner davantage leurs modèles et à fournir des informations sur les caractéristiques les plus critiques pour des prévisions de masse précises.

L'approche SHAP améliore non seulement l'interprétabilité des modèles d'apprentissage automatique, mais permet également aux chercheurs de prendre des décisions plus éclairées sur les caractéristiques à inclure dans de futures analyses.

#Conclusion

Cette exploration de l'utilisation des modèles d'apprentissage automatique pour prédire la masse nucléaire révèle des possibilités passionnantes pour améliorer notre compréhension des propriétés nucléaires. L'utilisation des modèles SVR et GPR démontre que l'apprentissage automatique peut efficacement analyser des données complexes et fournir des prédictions précieuses, même dans des régions où les mesures expérimentales font défaut.

En tirant parti des données expérimentales existantes et en analysant les caractéristiques pertinentes, les chercheurs peuvent obtenir des aperçus plus profonds du comportement nucléaire, ce qui est essentiel pour diverses applications en physique nucléaire et en astrophysique. Avec des améliorations et des perfectionnements, les modèles d'apprentissage automatique comme SVR et GPR ont le potentiel de devenir des outils standards pour prédire la masse nucléaire et explorer d'autres propriétés nucléaires.

À mesure que les chercheurs continuent à affiner ces modèles et à incorporer de nouvelles données, on peut s'attendre à des avancées supplémentaires dans notre compréhension du noyau atomique et des forces fondamentales qui régissent son comportement.