Machine Learning-Driven High-Precision Model for $\alpha$-Decay Energy and Half-Life Prediction of superheavy nuclei

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "نموذج عالي الدقة مدفوع بالتعلم الآلي للتنبؤ بطاقة اضمحلال ألفا وفترة نصف العمر للنوى فائقة الثقل".

1. بيان المشكلة

يعد التنبؤ بطاقات اضمحلال ألفا ($Q_\alpha$) وفترات نصف العمر ($T_{1/2}$) أمراً بالغ الأهمية لفهم البنية النووية والاستقرار، لا سيما بالنسبة للنوى فائقة الثقل والنظائر الغريبة البعيدة عن وادي الاستقرار.

• محدودية النماذج التجريبية: تعتمد الصيغ التجريبية التقليدية (مثل صيغة رويير، أو قانون الاضمحلال العالمي UDL) على أشكال دالية ثابتة تم ضبطها بناءً على بيانات قريبة من خط الاستقرار. وغالباً ما تفشل هذه النماذج في مناطق $Q_\alpha$ المنخفضة أو بالنسبة للنوى الغريبة بسبب:
  • الانحرافات المنهجية الناتجة عن المعالجات المبسطة لحواجز الجهد وديناميكيات النفق الكمي.
  • عدم القدرة على استيعاب التفاعلات المعقدة وغير الخطية التي تشمل تأثيرات القشرة، والتشوه النووي، وعائق الزخم الزاوي.
  • الحساسية الأسية لتنبؤات فترة نصف العمر تجاه الأخطاء الصغيرة في طاقة الاضمحلال.
• ندرة البيانات: البيانات عالية الجودة للنوى فائقة الثقل والنوى الغريبة نادرة، مما يجعل من الصعب تحسين النماذج التجريبية أو تدريب نماذج التعلم الآلي القياسية دون الوقوع في فخ الإفراط في التخصيص (overfitting).
• فجوة التفسير: العديد من نهج التعلم الآلي الموجودة في الفيزياء النووية تعمل كـ "صناديق سوداء"، حيث تفتقر إلى روابط واضحة بين آليات اتخاذ القرار الداخلية والقوانين الفيزيائية الراسخة (مثل قانون غايغر-نوتال أو العائق المركزي).

2. المنهجية

يقترح المؤلفون إطار عمل للتعلم الآلي المستند إلى الفيزياء يعتمد على خوارزمية التدرج المعزز الفائق (XGBoost) للانحدار. تنقسم الدراسة إلى مهمتين متميزتين ولكن مترابطتين: التنبؤ بـ $Q_\alpha$ والتنبؤ بـ $T_{1/2}$.

أ. مصادر البيانات والمعالجة المسبقة

• مجموعات البيانات:
  • التنبؤ بـ $Q_\alpha$: 1,623 نواة ($50 \le Z \le 118$) مع $Q_\alpha > 0$.
  • التنبؤ بـ $T_{1/2}$: 498 نواة ($64 \le Z \le 118$) ذات فترات نصف عمر مقاسة.
• المصادر: NUBASE2020 و AME2020 للكتل النووية وبيانات الاضمحلال؛ FRDM2012 لمعاملات التشوه رباعي الأقطاب ($\beta_2$).
• المتغير المستهدف: للتعامل مع النطاق الديناميكي الهائل لفترات نصف العمر، يتنبأ النموذج بـ $\log_{10}(T_{1/2})$ بدلاً من القيم الخام.
• التحقق من الصحة: تم استخدام التحقق المتقاطع خماسي الطيات (five-fold cross-validation) لضمان المتانة ومنع الإفراط في التخصيص. كما تم تنفيذ التوقف المبكر بناءً على جذر متوسط مربع الخطأ (RMSE) للتحقق من الصحة.

ب. هندسة الميزات (الموصِّفات المستندة إلى الفيزياء)

بدلاً من استخدام أعداد النويات وحدها، يدمج النموذج موصِّفات فيزيائية محددة مستمدة من نظرية البنية النووية:

1. للتنبؤ بـ $Q_\alpha$: العدد الكتلي ($A$)، العدد البروتوني ($Z$)، العدد النيوتروني ($N$)، نسبة البروتون إلى النيوترون ($Z/N$)، والفائض النيوتروني النسبي ($(N-Z)/A$).
2. للتنبؤ بـ $T_{1/2}$:
   • الاقتران بطاقة كولوم: $Z_1/\sqrt{Q_\alpha}$ (يلتقط اعتماد غايغر-نوتال).
   • الزخم الزاوي: الحد الأدنى لنقل الزخم الزاوي المداري ($\ell_{min}$)، المحسوب عبر قواعد اختيار التكافؤ-اللف (spin-parity selection rules) لنمذجة العائق المركزي.
   • تأثيرات القشرة: المسافة إلى أقرب عدد سحري للبروتونات ($|Z_1 - \text{magic}|_{min}$).
   • التشوه: حد $\sqrt{\kappa_2 \beta_2}$ الذي يأخذ في الاعتبار الأشكال المستطيلة ($\kappa_2=2$)، والمفلطحة ($\kappa_2=-1$)، والكروية ($\kappa_2=0$).
   • عدم التماثل الأيزوسبيني: $N_1/Z_1$ و $(N_1-Z_1)/A_1$.

ج. بنية النموذج

• الخوارزمية: XGBoost (أشجار القرار المعززة بالتدرج).
• دالة الخسارة: خسارة "سودو-هوبر" (Pseudo-Huber loss) للتنبؤ بفترة نصف العمر لتقليل الحساسية للقيم المتطرفة؛ ومتوسط مربع الخطأ (MSE) لـ $Q_\alpha$.
• المعلمات الفائقة: تم تحسينها عبر البحث الشبكي (على سبيل المثال: العمق الأقصى = 4، معدل التعلم = 0.03، التنظيم $\lambda=5.0$).
• القابلية للتفسير: تم استخدام تحليل (SHAP) (تفسيرات شابلي المضافة) لتحديد مساهمة كل ميزة في التنبؤ، مما يضمن توافق النموذج مع الحدس الفيزيائي.

3. المساهمات الرئيسية

1. تصميم الميزات الموجه بالفيزياء: تتجاوز الدراسة المدخلات العامة من خلال بناء ميزات تمثل الآليات الفيزيائية المهيمنة (الحاجز المركزي، الإغلاقات القشرية، التشوه) بشكل صريح، مما يسمح لنموذج التعلم الآلي بالتعلم من المبادئ الفيزيائية بدلاً من مجرد الارتباطات الإحصائية.
2. دقة تنبؤية فائقة: يتفوق نموذج XGBoost على الصيغ التجريبية واسعة الاستخدام (رويير وUDL) في كل من تنبؤات $Q_\alpha$ و $T_{1/2}$، لا سيما في المناطق التي تعاني فيها النماذج التجريبية (مثل مناطق $Q_\alpha$ المنخفضة أو النوى الغريبة).
3. التفسير والاتساق الفيزيائي: يظهر تحليل SHAP أن "الصندوق الأسود" قد تعلم بالفعل التسلسل الهرمي الفيزيائي الصحيح:
   • $Z/\sqrt{Q_\alpha}$ هو العامل المهيمن (قانون غايغر-نوتال).
   • $\ell_{min}$ يلتقط بشكل صحيح العائق المركزي (الاضمحلالات غير المفضلة لها فترات نصف عمر أطول).
   • توفر عوامل التشوه والآثار القشرية تصحيحات هيكلية ضرورية.
4. المتانة في مناطق ندرة البيانات: يحافظ النموذج على قدرة عالية على التعميم حتى مع وجود بيانات تدريب محدودة، مما يجعله مناسباً للتنبؤ بخصائص العناصر فائقة الثقل حيث تندر البيانات التجريبية.

4. النتائج

• التنبؤ بـ $Q_\alpha$:
  • حقق معامل تحديد $R^2$ قدره 0.9901 في مجموعة الاختبار.
  • جذر متوسط مربع الخطأ (RMSE): 0.2971 MeV.
  • أكد تحليل SHAP أن النموذج يعتمد على المتغيرات الهيكلية الأساسية ($Z, N, A$) المتوافقة مع نماذج القطرة السائلة والقشرة.
• التنبؤ بفترة نصف العمر:
  • حقق معامل تحديد $R^2$ قدره 0.9780 في مجموعة الاختبار.
  • جذر متوسط مربع الخطأ (RMSE): 0.7845 (لـ $\log_{10} T_{1/2}$).
  • المقارنة: تفوق نموذج XGBoost بشكل كبير على نموذج UDL (الذي سجل RMSE 0.8887) وصيغة رويير (التي سجلت RMSE 3.0897).
  • التحليل البصري: تجمعت التنبؤات بكثافة حول الخط $y=x$، بينما أظهرت الصيغ التجريبية انحرافات منهجية أكبر.
• رؤى SHAP:
  • كانت الميزة $Z/\sqrt{Q_\alpha}$ هي الأعلى في قيمة SHAP، مما يؤكد أن النموذج يعطي الأولوية لاحتمالية اختراق الحاجز.
  • أظهرت $\ell_{min}$ ارتباطاً إيجابياً واضحاً مع فترة نصف العمر للقيم غير الصفرية، مما ينمذج تأثير العائق بشكل صحيح.
  • وفرت حدود التشوه ($\sqrt{\kappa_2 \beta_2}$) تصحيحات هامة، مما يؤكد تضمين تأثيرات الشكل النووي.

5. الأهمية

يؤسس هذا العمل نموذجاً جديداً لنمذجة الاضمحلال النووي من خلال الدمج الناجح بين التعلم الآلي القائم على البيانات والمعرفة الفيزيائية المتخصصة.

• الأثر العلمي: يوفر أداة أكثر دقة للتنبؤ باستقرار وخصائص الاضمحلال للنوى فائقة الثقل، مما يساعد في البحث عن "جزيرة الاستقرار".
• الأثر المنهجي: يثبت أن نماذج التعلم الآلي في الفيزياء لا يجب أن تكون مبهمة؛ فمن خلال تصميم ميزات مستندة إلى الفيزياء واستخدام أدوات التفسير مثل SHAP، يمكن للباحثين بناء نماذج تتسم بالدقة العالية والشفافية الفيزيائية في آن واحد.
• التطبيق المستقبلي: يمكن تكييف هذا الإطار مع أنماط الاضمحلال النووي الأخرى أو المقاطع العرضية للتفاعل حيث تكون البيانات التجريبية محدودة، مما يوفر بديلاً قوياً للمناهج النظرية البحتة أو التجريبية البحتة.