Prediction of some Atomic properties using machine learning

Abstract

his thesis presents a machine learning-based approach for predicting both the oscillator strength (fik ) and the transition probability (Aik ) of the lithium atom, using data obtained from the NIST Atomic Spectra Database. The model utilizes spectroscopic features such as energy levels, principal quantum numbers, and angular momenta of electronic transitions. An Artificial Neural Network (ANN) was developed to capture the complex and nonlinear relationships inherent in atomic-scale data, providing a data-driven alternative to traditional quantum mechanical models. The input features were normalized using Min-Max Scaling, and the dataset was divided into training and testing sets. The model was trained using the Adam optimizer, with Mean Squared Error (MSE) as the loss function. Evaluation metrics included Root Mean Squared Error (RMSE) and the coefficient of determination (R 2 ). For oscillator strength, the final model achieved a coefficient of determination of R 2 = 0.9252 and an error of RMSE = 0.0830. For transition probability, the model achieved moderate performance with R 2 = 0.7104 and RMSE = 0.2049. These results demonstrate the models high predictive accuracy, particularly in estimating fik , highlighting its effectiveness and the promising potential of artificial intelligence in streamlining atomic and spectroscopic modeling.

تعرض هذه الاطروحة منهجا قائما على التعلم الالي للتنبؤ بكل من قوة المتذبذب و احتمالية الانتقال لذرة الليثيوم، باستخدام بيانات مأخوذة من قاعدة بيانات الأطياف الذرية التابعة للمعهد الوطني الأمريكي للمعايير والتقنية .(NIST) يعتمد النموذج على خصائص طيفية مثل مستويات الطاقة، والأعداد الكمّية الرئيسية، والعزوم الزاوية للانتقالات الإلكترونية. تم تطوير شبكة عصبية اصطناعية من أجل نمذجة العلاقات المعقدة وغير الخطية الكامنة في البيانات الذر ية، مما يوفر بديلا قائما ًعلى البيانات للنماذج الكمومية التقليدية. وقد خضعت المتغيرات المدخلة لعملية تطبيع باستخدام طر يقة "التدرج الأدنى والأعلى"(Min_Max scalling ( تم تقسيم مجموعة البيانات إلى مجموعة تدريب واختبار. تم تدريب النموذج باستخدام خوارزمية "آدم"(adam ( للتحسين، مع اعتماد متوسط مربع الخطأ(MSE) كدالة خسارة وشملت مؤشرات التقييم كل من الجذر التربيعي لمتوسط الخطأ (RMSE) ومعامل التحديد R^2 فيما يتعلق بf_ikحقق النموذج النهائي معامل تحديد قدره R^2=0.9252 وRMSE=0 .0830, أما في حالة احتمالية الانتقال فقد حقق النموذج أداء ًمتوسطًا بدقة4 0.701 = R^2 وRMSE=0.2409 تُظهر هذه النتائج الدقة التنبؤ ية العالية للنموذج لا سيما في تقدير قيم قوة المتذبذب,مما يبرز فعاليته والإمكانات الواعدة للذكاء الاصطناعي في تبسيط النمذجة الذرية والطيفية.