Simple Science

Ciência de ponta explicada de forma simples

# Física# Experiência nuclear

Medições de Massa Precisas de Isótopos Ricos em Nêutrons

Novas técnicas melhoram medições de massa atômica, ajudando a física nuclear e modelagens.

― 6 min ler


Medições Precisos deMedições Precisos deMassa Atômicadados precisos de massa isotópica.Avanços em física nuclear através de
Índice

A massa atômica é um fator chave pra entender como os núcleos atômicos, que são as partes centrais dos átomos, se comportam. Esse conhecimento é crucial pra áreas como a física nuclear e a astrofísica. Os cientistas querem criar modelos que conseguem prever a energia que mantém esses núcleos juntos, chamada de energia de ligação. Mas fazer isso com precisão é um baita desafio. Por isso, medições precisas das massas atômicas são essenciais pra desenvolver modelos melhores.

O Papel da Precisão nas Mediçőes de Massa

Medições de Massa precisas de isótopos, que são variações de elementos com números diferentes de nêutrons, são fundamentais pra avançar a compreensão científica. Isótopos ricos em nêutrons como Rutenio (Ru) e Paládio (Pd) são de particular interesse. Com técnicas de medição aprimoradas, os cientistas conseguem dados mais confiáveis, o que pode levar a modelos mais precisos da estrutura nuclear.

A Armadilha Canadense de Penning

As medições de massa dos isótopos de Ru e Pd foram feitas usando uma ferramenta avançada chamada Armadilha Canadense de Penning (CPT). Essa instalação fica no Laboratório Nacional de Argonne e tá ligada ao Upgrade do Criador de Isótopos Raros de Califórnio (CARIBU). O CPT usa uma técnica chamada ressonância de ion-ciclotron por imagem de fase (PI-ICR), que permite medições muito precisas das massas atômicas.

Processo de Medir Massas Atômicas

O processo começa gerando feixes radioativos a partir da fissão espontânea de Califórnio. Esses fragmentos de fissão são coletados e resfriados num capturador de gás antes de serem enviados pra um separador de alta resolução que seleciona isótopos específicos.

De lá, os isótopos são resfriados e agrupados usando um refrigerador-aglutinador de quadrupolo de radiofrequência (RFQ). Essa técnica garante que os feixes estejam bem preparados antes de serem enviados pro separador de massa, onde são classificados com base nas suas características únicas de tempo de voo.

Uma vez que os isótopos chegam ao CPT, suas massas são determinadas medindo a frequência do ciclotron num campo magnético. Essa frequência tá diretamente relacionada à massa dos íons, permitindo cálculos precisos.

Efeitos Sistemáticos nas Mediçōes

Durante as medições, vários efeitos sistemáticos podem influenciar a precisão dos dados. O movimento inicial dos íons quando são injetados na armadilha pode criar componentes oscilatórios extras que precisam ser considerados. Isso requer uma coleta e análise de dados cuidadosas.

Além disso, a presença de várias espécies iônicas pode complicar as medições, já que elas podem afetar a fase de referência usada para os cálculos. Pra resolver esses problemas, métodos cuidadosos são empregados pra garantir que as medições sejam o mais precisas possível.

Resultados das Mediçōes de Massa

As medições de massa resultaram na determinação de vários isótopos chave com precisão muito maior do que os métodos anteriores permitiam. Esses novos dados podem aumentar significativamente a precisão dos futuros modelos que preveem massa e energia de ligação.

Os novos dados de massa foram comparados com descobertas anteriores, e os resultados foram bem similares, mas com uma melhoria na precisão. Isso mostra a eficácia da técnica PI-ICR em obter medições de massa mais precisas.

O Papel do Aprendizado de Máquina na Modelagem de Massa

Além das medições precisas, os cientistas também estão usando técnicas de aprendizado de máquina (ML) pra entender melhor as massas atômicas. Um modelo que foi desenvolvido se chama Modelo de Aprendizado de Máquina Fisicamente Interpretable (PIML). Esse modelo usa uma mistura de distribuições gaussianas pra analisar excessos de massa com base nas novas medições.

Ao utilizar um grande conjunto de características relacionadas à estrutura atômica, como o número de prótons e nêutrons, o modelo PIML consegue produzir previsões mais confiáveis sobre massas atômicas. Essas características ajudam o modelo a capturar melhor as relações entre diferentes isótopos.

Treinando o Modelo de Aprendizado de Máquina

O treinamento do modelo PIML envolve a entrada de dados experimentais e informações teóricas de várias fontes. Usando uma mistura de medições reais e previsões teóricas, o modelo pode ser treinado pra reconhecer padrões e fazer suas próprias previsões sobre isótopos desconhecidos.

A estrutura do modelo é desenhada pra minimizar a complexidade enquanto ainda oferece bons resultados. Ele usa uma rede de camadas ocultas que trabalham juntas com um otimizador pra melhorar suas previsões. Esse processo de treinamento é continuamente refinado comparando as previsões do modelo com os dados experimentais reais.

Importância das Descobertas

Os resultados obtidos a partir das medições de massa e da modelagem subsequente demonstram a importância de dados precisos na física nuclear. Mesmo um pequeno número de medições de massa precisas pode levar a melhorias significativas na compreensão da estrutura nuclear.

O modelo PIML melhorado mostra um ajuste melhor aos dados de massa existentes e fornece insights sobre tendências que antes eram incertas. Esses avanços destacam como medições precisas e técnicas de modelagem inovadoras são valiosas pra ciência.

Direções Futuras na Pesquisa de Massa Atômica

Essa pesquisa destaca a necessidade de mais medições de massa, especialmente pra isótopos mais exóticos. À medida que novas técnicas continuam a evoluir, os cientistas podem esperar ainda mais precisão e confiabilidade nas suas medições.

Modelos mais precisos não só ajudam a entender dados existentes, mas também a prever o comportamento de isótopos desconhecidos. Esses avanços podem levar a descobertas em várias áreas, incluindo energia nuclear, aplicações médicas e física fundamental.

Conclusão

Resumindo, medições de massa precisas dos isótopos ricos em nêutrons Ru e Pd aumentam nossa compreensão da estrutura atômica. Técnicas como a PI-ICR mostraram oferecer melhorias significativas em precisão em relação aos métodos anteriores. Além disso, a integração de modelos de aprendizado de máquina como o PIML abre caminho pra melhores previsões e insights mais profundos sobre o comportamento atômico.

Juntas, essas novidades ilustram o progresso contínuo que tá sendo feito na física nuclear e a importância da colaboração entre técnicas experimentais e modelagem teórica. A jornada continua, com a promessa de novas descobertas e uma compreensão cada vez melhor do mundo nuclear.

Fonte original

Título: Investigating the effects of precise mass measurements of Ru and Pd isotopes on machine learning mass modeling

Resumo: Atomic masses are a foundational quantity in our understanding of nuclear structure, astrophysics and fundamental symmetries. The long-standing goal of creating a predictive global model for the binding energy of a nucleus remains a significant challenge, however, and prompts the need for precise measurements of atomic masses to serve as anchor points for model developments. We present precise mass measurements of neutron-rich Ru and Pd isotopes performed at the Californium Rare Isotope Breeder Upgrade facility at Argonne National Laboratory using the Canadian Penning Trap mass spectrometer. The masses of $^{108}$Ru, $^{110}$Ru and $^{116}$Pd were measured to a relative mass precision $\delta m/m \approx 10^{-8}$ via the phase-imaging ion-cyclotron-resonance technique, and represent an improvement of approximately an order of magnitude over previous measurements. These mass data were used in conjunction with the physically interpretable machine learning (PIML) model, which uses a mixture density neural network to model mass excesses via a mixture of Gaussian distributions. The effects of our new mass data on a Bayesian-updating of a PIML model are presented.

Autores: W. S. Porter, B. Liu, D. Ray, A. A. Valverde, M. Li, M. R. Mumpower, M. Brodeur, D. P. Burdette, N. Callahan, A. Cannon, J. A. Clark, D. E. M. Hoff, A. M. Houff, F. G. Kondev, A. E. Lovell, A. T. Mohan, G. E. Morgan, C. Quick, G. Savard, K. S. Sharma, T. M. Sprouse, L. Varriano

Última atualização: 2024-09-18 00:00:00

Idioma: English

Fonte URL: https://arxiv.org/abs/2409.12141

Fonte PDF: https://arxiv.org/pdf/2409.12141

Licença: https://creativecommons.org/licenses/by-nc-sa/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.

Mais de autores

Artigos semelhantes