전자가 부모 원자에서 제거되는 과정 인 원자의 이온화는 X- 선 생성, 입자 가속 및 혈장 형성을 포함한 많은 물리적 현상에서 기본적인 과정이다. 이 과정은 이온화 속도에 대한 정확한 지식이 아 원자 입자의 행동을 이해하는 데 중요합니다.
Dubna, Russia 및 독일, 폴란드 및 영국의 Jinr (Joint Institute for Nucled Research)의 Oliver Bünermann 박사가 이끄는 팀이 개발 한 새로운 계산 접근법은 고 에너지 방사선에 노출 된 원자의 전자 이온화에 대한 예측의 정확성을 크게 향상시킵니다. 프레임 워크는 상대 론적 평면파 Born 근사치 (PWBA)를 기반으로하며, 이는 높은 에너지에서의 이온화 과정에 대한 정확한 설명을 제공합니다.
주요 발전은 PWBA와 고급 머신 러닝 기술의 조합에 있습니다. 머신 러닝 알고리즘은 실험 데이터의 포괄적 인 데이터 세트에 대해 교육을 받아 복잡한 근본적인 패턴과 전자 이온화를 통제하는 관계를 배울 수 있습니다. 이를 통해 프레임 워크는 다른 표적 원자, 입사 전자 에너지 및 이온화 채널에 대해보다 정확한 예측을 할 수 있습니다.
연구원들은 예측을 수소, 헬륨, 탄소 및 질소를 포함한 다양한 원자 표적에 대한 실험 데이터와 비교하여 새로운 접근법의 성능을 평가했습니다. 결과는 기존 이론적 모델에 비해 정확도가 크게 향상되었으며, 광범위한 응용 분야에보다 신뢰할 수있는 이온화 데이터를 제공 할 프레임 워크의 잠재력을 보여 주었다.
새로운 계산 접근법에는 고 에너지 물리학, 원자 및 분자 물리학, 천체 물리학 및 플라즈마 물리를 포함한 다양한 과학 분야에서 몇 가지 잠재적 인 응용이 있습니다. 또한 방사선 보호 측정의 개발에 기여할 수 있습니다. 방사선 노출에 대한보다 정확한 추정 및 생물학적 조직에 미치는 영향이 가능합니다.
연구팀은 프레임 워크를 더 세분화하고 더 넓은 시나리오 및 응용 프로그램을 다루기 위해 기능을 확장 할 계획입니다. 또한 대체 기계 학습 기술의 사용을 탐구 하고이 기본 현상에 대한 더 깊은 이해를 얻기 위해 이온화 과정을 지배하는 근본적인 물리적 원리를 조사하는 것을 목표로합니다.
요약하면, Bünermann 박사와 동료들이 개발 한 새로운 계산 접근법은 고 에너지 방사선에 노출 된 원자의 이온화를 예측하는 데 중요한 발전을 나타냅니다. 이 프레임 워크는 양자 역학과 기계 학습을 결합함으로써보다 정확하고 신뢰할 수있는 이온화 데이터를 제공하여 다양한 과학 분야의 연구 및 응용 분야를위한 새로운 길을 열었습니다.
