最终幻想XIV需要在Xbox上订阅GamePass

固定数量的质子和中子(原子核的组成部分)可以在单个原子核内重新排列。这种重组的产物包括电磁(伽马射线)跃迁。这些跃迁连接被称为量子能级的激发能级，这些连接中的模式为每种同位素提供了独特的“指纹”。

确定这些指纹为科学家描述基本力之一——将质子和中子结合在一起的强(核)力——的能力提供了敏感的测试。

在实验室中，科学家可以通过核反应注入多余的能量来启动质子和中子的运动。

在《物理评论C》发表的一篇论文中，研究人员成功地利用这种方法研究了硫38的指纹图谱。他们还使用机器学习和其他尖端工具来分析数据。

这些结果为硫38核中量子能级的“指纹”提供了新的经验信息。与理论模型的比较可能会带来重要的新见解。例如，其中一项计算强调了特定核子轨道在模型重现硫38以及邻近核指纹的能力中所发挥的关键作用。

该研究对于首次成功实施基于机器学习的特定数据分类方法也很重要。科学家们正在采用这种方法来应对实验设计中的其他挑战。

研究人员使用了一种测量方法，其中包括对收集到的数据进行机器学习(ML)辅助分析，以更好地确定富中子核硫38中独特的量子能级(通过质子和中子重排形成的“指纹”)。

结果使有关该特定指纹的经验信息量增加了一倍。他们利用涉及两个原子核(一个来自重离子束，另一个来自目标)聚变的核反应来产生同位素，并引入将其激发到更高量子能级所需的能量。

反应和测量利用了ATLAS设施(能源部用户设施)产生的重离子束，加速器和目标科学中心(CATS)产生的目标，利用伽马射线能量跟踪阵列(GRETINA)，以及使用碎片质量分析仪(FMA)检测产生的原子核。

由于实验参数的复杂性(取决于反应中硫38核的产量和检测的最佳设置)，研究在整个数据缩减过程中采用并实施了机器学习技术。

这些技术比其他技术取得了显着的改进。ML框架本身由一个完全连接的神经网络组成，该网络在监督下进行训练，以将硫38核与核反应产生的所有其他同位素进行分类。