Systematic Study on the $\alpha$-particle preformation factor in the theory of $\alpha$-decay based on the Tabular Prior-data Fitted Network (TabPFN)

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "دراسة منهجية لعامل التشكيل المسبق لجسيم ألفا في نظرية اضمحلال ألفا بناءً على شبكة TabPFN (الشبكة الجدولية المعتمدة على البيانات السابقة)".

1. بيان المشكلة

يُعد عمر النصف لاضمحلال ألفا ($T_{1/2}$) خاصية رصدية حرجة لفهم بنية النوى الذرية غير المستقرة، لا سيالما في منطقة العناصر فائقة الثقل. تعتمد الحسابات النظرية لعمر النصف ($T_{1/2}$) على نظرية غامو (Gamow) للنفق الكمومي، والتي تُعبر عنها المعادلة:
$$T_{1/2} = \frac{\ln 2}{\lambda} = \frac{\ln 2}{P_\alpha \nu P}$$
حيث $\nu$ هو تردد الهجوم، و $P$ هو احتمال اختراق الحاجز، و $P_\alpha$ هو عامل التشكيل المسبق لجسيم ألفا.

التحديات الرئيسية:

• عدم اليقين في $P_\alpha$: تقليديًا، يُعامل $P_\alpha$ كثابت تجريبي أو يُشتق من صيغ شبه تجريبية. هذا الافتراض يفشل في التقاط تأثيرات البنية النووية المعقدة، خاصة بالقرب من الأغلفة المغلقة (مثل $Z=82, N=126$) وفي النوى ذات العدد الفردي للبروتونات أو النيوترونات (odd-A أو odd-odd)، مما يؤدي إلى تباينات كبيرة بين أعمار النصف النظرية والتجريبية.
• محدودية التعلم الآلي الحالي: بينما طُبق التعلم الآلي (ML) على اضمحلال ألفا، استخدمت العديد من الدراسات السابقة التعلم المباشر (التنبؤ بأعمار النصف مباشرة) أو تطلبت إعادة تدريب مكثفة على مجموعات بيانات محددة. هناك حاجة إلى طريقة يمكنها تعلم الخريطة الفيزيائية الأساسية بين خصائص البنية النووية وعامل التشكيل المسبق بفعالية دون الإفراط في التخصيص (overfitting)، خاصة في ظل محدودية حجم البيانات النووية التجريبية.

2. المنهجية

يقترح المؤلفون نهجًا هجينًا يجمع بين نموذج جهد كولوم والتقارب (CPPM) وشبكة TabPFN (الشبكة الجدولية المعتمدة على البيانات السابقة).

أ. استخراج عوامل التشكيل المسبق التجريبية

لاستخراج قيم $P_\alpha$ "التجريبية" ($P_\alpha^{exp}$) لـ 498 نواة (172 نواة زوجية-زوجية، 261 نواة فردية-A، 65 نواة فردية-فردية) باستخدام إطار عمل CPPM، اتبع المؤلفون الخطوات التالية:

1. الأساس النظري: قاموا بحساب عمر النصف النظري ($T_{1/2}^{cal}$) بافتراض أن $P_\alpha = 1$ باستخدام نموذج CPPM، الذي يتضمن جهود النواة، وكولوم، والطرد المركزي.
2. الاستخراج: باستخدام عمر النصف التجريبي ($T_{1/2}^{exp}$)، اشتقوا $P_\alpha^{exp}$ عبر العلاقة:
   $$P_\alpha^{exp} = \frac{T_{1/2}^{cal}}{T_{1/2}^{exp}}$$
3. التشوه: أُجريت الحسابات لكل من الجهود الكروية والمشوهة (بإدراج التشوه الرباعي $\beta_2$) لضمان المتانة.

ب. نموذج TabPFN

بدلاً من تدريب شبكة عصبية قياسية من الصفر، استخدم المؤلفون TabPFN، وهو نموذج تأسيسي يعتمد على المحولات (Transformer) تم تدريبه مسبقًا على ملايين مجموعات البيانات الاصطناعية المولدة عبر نماذج سببية هيكلية (SCMs).

• التعلم داخل السياق (ICL): لا يتطلب TabPFN إعادة تدريب قائمة على التدرج (gradient-based retraining). فهو يتعلم الخريطة من السمات المدخلة إلى التسمية المستهدفة ($P_\alpha$) مباشرة ضمن التمرير الأمامي (forward pass) باستخدام مجموعة البيانات المقدمة كـ "سياق".
• سمات المدخلات: تم تغذية النموذج بـ 9 واصفات فيزيائية:
  1. عدد الكتلة ($A$)
  2. العدد الذري ($Z$)
  3. عدد النيوترونات ($N$)
  4. طاقة اضمحلال ألفا ($Q_\alpha$)
  5. الحد الأدنى للزخم الزاوي المداري ($l$)
  6. التشوه الرباعي ($\beta_2$)
  7. تماثل البروتونات ($Z_p$)
  8. تماثل النيوترونات ($N_p$)
  9. تأثير الازدواج ($\delta$)

ج. استراتيجية التحقق

• تقسيم التدريب/الاختبار: 399 نواة للتدريب، و99 نواة للاختبار.
• الاستقراء (Extrapolation): تم اختبار النموذج على 41 نواة تم تقييمها حديثًا (Z > 104) من قاعدة بيانات NUBASE2020 لتقييم القدرة على التعميم في المناطق غير المستكشفة.
• التنبؤ بالأنوية فائقة الثقل: تنبأ النموذج بقيم $P_\alpha$ للأنوية فائقة الثقل ذات $Z = 117–120$.

3. المساهمات الرئيسية

1. تطبيق مبتكر لـ TabPFN: يعد هذا أول تطبيق لنموذج التأسيس TabPFN على عوامل التشكيل المسبق في الفيزياء النووية، مما يثبت فعاليته على مجموعات البيانات الجدولية الصغيرة إلى المتوسطة دون الحاجة إلى إعادة تدريب مخصص للمهمة.
2. التحليل المنهجي للسمات: قامت الدراسة بقياس تأثير الواصفات النووية المحددة (الازدواج، التماثل، التشوه، الزخم الزاوي) على دقة التنبؤ بشكل منهجي، وتحديد مجموعة السمات المثلى (TabPFN12).
3. استخراج الرؤى الفيزيائية: نجح النموذج في التقاط الظواهر الفيزيائية المعقدة، بما في ذلك التذبذب الفردي-الزوجي (OES) وتأثيرات غلاف النواة، مباشرة من البيانات دون الحاجة لإدراج حدود تصحيح الغلاف صراحة في المدخلات.
4. تحسين التنبؤ بعمر النصف: من خلال دمج $P_\alpha$ المستخرجة بواسطة التعلم الآلي في نموذج CPPM، حقق المؤلفون انخفاضًا جذريًا في جذر متوسط مربع الانحراف (RMSD) لعمر النصف المتوقع مقارنة بالبيانات التجريبية.

4. النتائج الرئيسية

أ. أداء النموذج

• الدقة: حقق النموذج الأمثل (TabPFN12، باستخدام جميع السمات التسعة) جذر متوسط مربع انحراف قدره $\sigma_{rms} = 0.211$ لـ $\log_{10} P_\alpha$ عبر مجموعة البيانات بأكملها.
• المقارنة: يمثل هذا تحسنًا بنسبة 63.8% عن الصيغة التجريبية من المرجع [63]، وتحسنًا بنسبة 66.8% عن المرجع [44].
• أهمية السمات: أدى إدراج تأثيرات الازدواج ($\delta$)، والتماثل ($Z_p, N_p$)، والتشوه ($\beta_2$) إلى تقليل الأخطاء بشكل كبير. على سبيل المثال، أدى إضافة $\beta_2$ إلى تقليل $\sigma_{rms}$ من 0.247 إلى 0.216.

ب. الارتباطات الفيزيائية المكتشفة

• الارتباطات الخطية: أكد النموذج وجود علاقة خطية بين $\log_{10} P_\alpha$ و $Q_\alpha^{-1/2}$ (توسيع قانون غايغر-نوتال لتشمل عوامل التشكيل المسبق) وارتباط خطي سلبي مع جهد التجزئة ($V_{frag}$).
• التذبذب الفردي-الزوجي (OES): نجح النموذج في إعادة إنتاج نمط OES، موضحًا أن النيوترونات غير المزدوجة (عدد فردي من $N$ أو $Z$) تثبط $P_\alpha$ مقارنة بجيرانها الزوجيين.
• تأثيرات الغلاف: لوحظت تغيرات واضحة في $P_\alpha$ عند أغلفة النواة ($Z=82, N=126$)، مما يؤكد قدرة النموذج على تعلم بنية الغلاف بشكل ضمني.

ج. التنبؤ بعمر النصف

• مجموعة التدريب: أدى دمج $P_\alpha$ المتنبأ بها بواسطة TabPFN إلى تقليل RMSD لتوقعات عمر النصف من 2.028 (بدون $P_\alpha$) إلى 0.211 (تحسن بنسبة 89.5%).
• الاستقراء: بالنسبة لـ 41 نواة جديدة (Z > 104)، تحسن RMSD من 2.920 إلى 0.771، مما يظهر قدرات قوية على التعميم.
• الجهود المشوهة: ظل النهج قويًا عند تطبيقه على جهود كولوم + وودز-ساكسون (Woods-Saxon) المشوهة، حيث حقق $\sigma_{rms} = 0.232$.

د. الأنوية فائقة الثقل ($Z=117-120$)

• تنبأ النموذج بقيم $P_\alpha$ للآيسوتوبات فائقة الثقل، كاشفًا عن انخفاض حاد في أعمار النصف بين $N=184$ و $N=186$.
• اقتراح الرقم السحري: يشير هذا التغير السريع إلى أن $N=184$ قد يكون رقمًا سحريًا جديدًا للنيوترونات في منطقة العناصر فائقة الثقل.

5. الأهمية

• تحسين النماذج النووية: توضح الدراسة أن التعلم الآلي يمكنه استخراج معلومات بنية نووية عالية الدقة (مثل عوامل التشكيل المسبق) مباشرة من بيانات الاضمحلال، مما يوفر بديلًا أكثر دقة للصيغ التجريبية.
• توجيه التجارب: توفر التنبؤات الموثوقة للأنوية فائقة الثقل ($Z=117-120$) توجيهًا حاسمًا لتجارب التخليق المستقبلية، لا سيما فيما يتعلق بجزر الاستقرار والبحث عن غلاف $N=184$.
• التقدم المنهجي: يثبت البحث أن TabPFN أداة قوية للفيزياء النووية، قادرة على التعامل مع مجموعات البيانات الصغيرة والتقاط العلاقات غير الخطية المعقدة بأقل تكلفة حوسبية، مما يمهد الطريق لتطبيقاتها في الخصائص النووية الأخرى (الكتل، الأنصاف الأقطار، معدلات التفاعل).