Измерение отдельных радиоактивных распадов позволяет ускорить обнаружение радиоактивных материалов.
Исследователи из Национального института стандартов и технологий (NIST) продемонстрировали новый и более быстрый метод обнаружения и измерения радиоактивности микроскопических количеств радиоактивных материалов. Инновационная методика, известная как криогенная спектрометрия энергии распада (DES), может иметь далеко идущие последствия — от улучшения методов лечения рака до обеспечения безопасности при очистке ядерных отходов.
Команда NIST опубликовала свои результаты в журнале Metrologia.
Ключевой элемент новой методики — датчик переходного края (TES)
Датчик переходного края (TES) — высокотехнологичное устройство, широко используемое для измерения радиационных характеристик. Оно позволяет записывать отдельные события радиоактивного распада, в которых нестабильный атом испускает одну или несколько частиц.
По словам физика NIST Райана Фицджеральда, TES гораздо более совершенен, чем знакомый всем счётчик Гейгера или другие детекторы, используемые сегодня. «Вместо того чтобы просто щёлкать, указывая на радиацию, или давать размытое указание на энергию распада, он даёт нам детальный отпечаток того, что там есть», — сказал Фицджеральд.
Устройство TES работает при чрезвычайно низких температурах, близких к абсолютному нулю. Когда в образце происходит радиоактивный распад, высвобождаемая энергия поглощается TES. Это поглощённая энергия вызывает крошечное изменение электрического сопротивления TES. Исследователи точно измеряют это изменение сопротивления, что обеспечивает высокоразрешающую «энергетическую сигнатуру» события распада.
Потенциальные применения технологии
Анализируя детальный энергетический спектр от множества событий, исследователи могут идентифицировать конкретный радиоактивный атом, подвергающийся распаду. Это возможно, потому что разные радиоактивные атомы испускают уникальные энергетические сигнатуры при распаде.
Ранее существовавшие методы хороши либо для измерения количества радиоактивности, либо для идентификации радиоактивных атомов, присутствующих в образце, — но не для обоих. Традиционно для полной характеристики образца требовалось использование нескольких методов. В отличие от них, DES одновременно идентифицирует радиоактивные элементы и количественно определяет их уровень радиоактивности.
В медицине эта технология может помочь обеспечить чистоту и эффективность радиоактивных препаратов, используемых при лечении рака. В ядерной энергетике она может быстро идентифицировать радиоактивный состав переработанного топлива, ускоряя разработку новых усовершенствованных реакторов.
Прогнозирование магнитных свойств материалов с помощью машинного обучения
Магнитные материалы востребованы как никогда. Они необходимы для инноваций в области хранения энергии, от которых зависит электрификация, и для роботизированных систем, обеспечивающих автоматизацию. Они также используются в более привычных продуктах — от бытовой электроники до аппаратов магнитно-резонансной томографии (МРТ).
Текущие источники и цепочки поставок не смогут удовлетворить растущий спрос. Нам необходимо разработать новые магнитные материалы, и сделать это быстро.
Сотрудничество между Университетом Карнеги-Меллона, Национальной лабораторией Лоуренса в Беркли и Институтом им. Фрица Габера Общества Макса Планка расширяет возможности для отбора потенциальных новых материалов с помощью моделей машинного обучения.
Сложность изучения магнитных свойств
Сложность изучения магнитных свойств была большим ограничением для открытия новых материалов. В немагнитных материалах свойства зависят от того, какие атомы там присутствуют, и от их расположения.
«С магнитными материалами есть ещё одна степень свободы», — говорит Джон Китчин. «На каждом магнитном атоме есть маленький магнитный вектор, и свойства зависят от расположения этих векторов».
Даже когда одни и те же атомы находятся в одних и тех же положениях, свойства материала могут различаться в зависимости от величины и ориентации магнитных векторов.
Исследователи разработали новую модель машинного обучения, которая может прогнозировать магнитные свойства материалов, дифференцируя расположение магнитных векторов. «Это первая модель, которая явно учитывает степени свободы, позволяющие спину быть входным параметром», — говорит Китчин, профессор химического машиностроения в Университете Карнеги-Меллона.
Работа опубликована в Proceedings of the National Academy of Sciences.