Een internationaal team van onderzoekers heeft een nieuw raamwerk ontwikkeld dat gebruikmaakt van een combinatie van quantum- en klassieke neurale netwerken om de massa van atoomkernen nauwkeuriger te voorspellen. De methode slaagt erin de foutmarges van bestaande theoretische modellen aanzienlijk te verlagen.
In een recent wetenschappelijk rapport, gepubliceerd op 29 oktober 2026, presenteren onderzoekers waaronder Shijiang Ji en Zu-Xing Yang een innovatieve benadering voor het leren van kernmassasystematiek. De kern van hun onderzoek is een zogenaamd 'mixture-of-experts' raamwerk. Dit systeem combineert zestien hybride quantum-klassieke neurale netwerken met een klassiek sturingsmechanisme (gating) dat afhankelijk is van de specifieke kern die wordt geanalyseerd.
Significante reductie van foutmarges
Het hoofddoel van dit nieuwe raamwerk is het berekenen van residuele correcties voor het bestaande WS4-kernmassamodel. Door deze correcties toe te passen, kunnen wetenschappers de theoretische voorspellingen dichter bij de werkelijke waarden brengen.
De effectiviteit van deze methode werd getest op een vaste set gegevens uit de AME2020 (Atomic Mass Evaluation). Volgens de publicatie op arxiv.org leidde de implementatie van het hybride model tot een drastische vermindering van de gemiddelde kwadratische fout (root-mean-square error). Deze foutmarge daalde van 456,22 keV naar 179,83 keV. Hiermee presteert het hybride systeem aanzienlijk beter dan een klassiek tegenhangermodel met een vergelijkbaar aantal parameters.
Inzicht in schilsluitingen en descriptors
Naast de verbeterde numerieke precisie biedt het model nieuwe inzichten in de structuur van atoomkernen. De onderzoekers stellen vast dat de geleerde correcties specifiek de systematiek van de schilspletingen verbeteren in de nabijheid van de tin- (Sn) en lood- (Pb) schilsluitingen.
Door de gating-netwerken te analyseren, konden de wetenschappers identificeren welke variabelen het meest bepalend zijn voor de voorspellingen. Hieruit bleek dat descriptors die gerelateerd zijn aan de schilstructuur de belangrijkste input vormen voor het model. Dit suggereert dat de AI-structuur in staat is om fundamentele fysische eigenschappen van kernen te herkennen en te benutten voor nauwkeurigere massa-berekeningen.
Toepassing op specifieke isotopen
Om de praktische waarde van het model aan te tonen, pasten de auteurs de methode toe op de isotoop 66Ca. Voor deze specifieke kern voorspelde het model een waarde van Sn = 0,577 MeV en S2n = -0,252 MeV. Deze resultaten zijn wetenschappelijk relevant omdat ze impliceren dat twee-neutronenemissie mogelijk is, terwijl het kanaal voor één-neutronenemissie gesloten blijft.
Het onderzoek is ingediend onder de categorie nucleaire theorie (nucl-th) en is beschikbaar voor peer-review via de digitale archieven van . De volledige details over de architectuur van de zestien neurale netwerken en de specifieke quantum-klassieke interacties zijn opgenomen in de .
Hoewel de focus van dit specifieke onderzoek ligt op complexe kernfysica, benadrukt de bredere context van digitale informatievoorziening de noodzaak van toegankelijke wetenschappelijke communicatie. Terwijl gespecialiseerde platforms zoals zich richten op de technische verspreiding van data, bieden andere educatieve bronnen, zoals co.uk, ondersteuning bij het beheersen van de taal die nodig is om dergelijke internationale wetenschappelijke resultaten te begrijpen en te verspreiden.
De resultaten van dit onderzoek markeren een mogelijke verschuiving in hoe theoretische kernmassa's worden berekend, waarbij de synergie tussen quantumcomputing en klassieke machine learning een sleutelrol speelt in het overbruggen van de kloof tussen theorie en experimentele waarnemingen.