Systematic Study of Proton, Two-Proton, Alpha, and Cluster Radioactivity Half-Lives based on the Deformed Gamow-like Model and Tabular Prior-data Fitted Network ()
تقدم هذه الورقة إطاراً هجيناً يجمع بين نموذج "جامو" المشوه ونموذج الشبكة الجدولية الملائمة للبيانات المسبقة (TabPFN) لتحسين دقة وتعميم تنبؤات عمر النصف لجسيمات البروتون، والبروتونين، وألفا، والنشاط الإشعاعي العنقودي عبر 583 نواة بشكل كبير مع الحفاظ على التفسير الفيزيائي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تُعد الذرات هي اللبنات الأساسية للكون المرئي، ومع ذلك، فإن نوياتها ليست مستقرة دائمًا. في قلب الذرة، تتماسك البروتونات والنيوترونات بفعل قوى قوية، ولكن عندما يختل التوازن، يمكن للنواة أن تصبح غير مستقرة وتتخلص من الجسيمات لتصل إلى حالة أكثر راحة. هذه العملية، المعروفة باسم التحلل الإشعاعي، هي ساعة طبيعية تدق عند الحافة القصوى للمادة. بعض الذرات تتخلص من بروتون واحد، وأخرى تطلق زوجًا من البروتونات، بينما تنبعث من الكثير منها حزمة محكمة من بروتونين ونيوترونين، تُعرف باسم جسيم ألفا. وفي حالات نادرة، تنفصل حتى مجموعات أكبر من الجسيمات. إن التنبؤ بدقة بمدى المدة التي ستستغرقها هذه الذرات غير المستقرة قبل أن تتحلل يمثل تحديًا مركزيًا في الفيزياء النووية، حيث يكشف ذلك عن القواعد الخفية التي تحكم بنية المادة ويساعد العلماء على فهم حدود الجدول الدوري.
على مدار ما يقرب من قرن من الزمان، اعتمد الفيزيائيون على النماذج الرياضية لتقدير هذه الأعمار، وغالبًا ما تعاملوا مع النواة ككرة بسيطة وحسبوا مدى احتمالية نفق جسيم ما عبر حاجز طاقة للهروب. وبينما تلتقط هذه النماذج التقليدية الفيزياء الأساسية، إلا أنها غالبًا ما تواجه صعوبة في مطابقة القياسات الدقيقة التي تُجرى في المختبرات، خاصة عند التعامل مع نويات معقدة وذات أشكال غريبة أو أنواع نادرة من التحلل. ولجسر هذه الفجوة بين النظرية والواقع، طور فريق من الباحثين نهجًا جديدًا يجمع بين نموذج فيزيائي كلاسيكي وأداة ذكاء اصطناعي حديثة. ومن خلال دمج القوانين الراسخة للفيزياء النووية مع نظام تعلم آلي مصمم للتعلم من مجموعات البيانات الصغيرة، ابتكروا طريقة تتنبأ بأعمار الذرات المتحللة بدقة غير مسبوقة.
ركز الباحثون على أربع طرق متميزة تتخلص من خلالها الذرات غير المستقرة من طاقتها الزائدة: انبعاث بروتون واحد، والتحلل المتزامن لبروتونين، وقذف جسيم ألفا، وانبعاث مجموعات أكبر من الجسيمات. وقد جمعوا بيانات حول 583 نواة مشعة مختلفة، وهي مجموعة تضمنت أمثلة نادرة من باعثات البروتونين، وعشرات من باعثات البروتون، ومئات من باعثات ألفا، واختيارًا من باعثات المجموعات (الكلستر). كانت نقطة انطلاقهم هي إطار فيزيائي معروف يسمى نموذج "جامو" المشوه (deformed Gamow-like model). يعامل هذا النموذج النواة ليس ككرة مثالية، بل كشكل يمكن مده أو ضغطه، مما يؤثر على سهولة هروب الجسيمات. يحسب النموذج الوقت الذي يستغرقه الجسيم للنفق عبر الحاجز النووي، لكنه يعتمد على عدد قليل من الأرقام القابلة للضبط لمطابقة الواقع، مثل الحجم الفعال للنواة، وعامل يأخذ في الاعسبار كيف يمكن للترتيب الداخلي للبروتونات والنيوترونات أن يبطئ العملية.
ولتحسين هذه الحسابات، أدخل الفريق نظام تعلم آلي متطورًا يُعرف باسم "شبكة التابولار ذات البيانات المسبقة الملائمة" (Tabular Prior-data Fitted Network). وخلافًا للعديد من أنظمة الذكاء الاصطناعي التي تتطلب كميات هائلة من البيانات للتعلم، فقد صُممت هذه الأداة خصيصًا لتقديم تنبؤات عالية الدقة من مجموعات البيانات الصغيرة، مما يجعلها مثالية للفيزياء النووية حيث تكون البيانات التجريبية نادرة. لم يترك الباحثون الكمبيوتر يخمن الإجابات ببساطة؛ بل استخدموا الذكاء الاصطناعي لتعلم الأنماط الدقيقة التي فاتت النموذج الفيزيائي. لقد غذوا النظام بمعلومات عن النواة، مثل عدد البروتونات والنيوترونات، والطاقة المنبعثة أثناء التحلل، وشكل النواة. ثم تعلم الذكاء الاصطنا artificial intelligence التنبؤ بمعامل تصحيح محدد يعدل الحساب النظري ليتطابق مع ما يُلاحظ فعليًا في التجارب.
كانت نتائج هذا النهج الهجين مذهلة. فعندما اختبر الباحثون طريقتهم الجديدة مقابل البيانات التجريبية، أصبحت التنبؤات أكثر دقة بشكل ملحوظ عبر جميع أنماط التحلل الأربعة. فبالنسبة لانبعاث البروتونات المفردة، انخفض الخطأ في التنبؤات بأكثر من 80 بالمائة مقارنة بالنموذج الفيزيائي وحده. وبالنسبة لتحلل ألفا، وهو الشكل الأكثر شيوعًا من دراسة التحلل الإشعاعي، انخفض الخطأ بنسبة تقارب 88 بالمائة. أما النسخة الأكثر نجاحًا من نموذجهم، والتي جمعت بين المعلمات الفيزيائية المحسنة وتصحيحات الذكاء الاصطناعي، فقد حققت مستوى من الدقة كان أفضل بنحو 82 بالمائ المائة من النموذج الفيزيائي غير المصحح. ولم يكن هذا التحسن مجرد صدفة إحصائية؛ فقد حافظ النموذج على دقته حتى عند اختباره على بيانات لم يسبق له رؤيتها، مما أثبت أنه تعلم القواعد الكامنة وراء التحلل بدلاً من مجرد حفظ الأمثلة.
وفضلاً عن مجرد الحصول على الأرقام الصحيحة، نجح النموذج الجديد في إعادة إنتاج سلوكيات معقدة يصعب التقاطها بالمعادلات البسيطة. فعلى سبيل المثال، وصف بدقة كيف تتغير أعمار الذرات باعثة ألفا مع زيادة عدد النيوترونات، بما في ذلك القفزات المفاجئة في الاستقرار التي تحدث عندما تصل النواة إلى "رقم سحري" معين من النيوترونات، مثل 126. تشير هذه القدرة على التقاط تأثير "إغلاق الغلاف" (shell-closure effect) إلى أن النموذج قد تعلم ضمنيًا التفاصيل الهيكلية للنواة، على الرغم من عدم برمجته صراحةً بتلك القواعد. كما استخدم الباحثون نموذجهم المنقح للتنبؤ بأعمار الذرات التي لم تُلاحظ أو تُقاس بعد في المختبرات، بما في ذلك المرشحات المحتملة لتحلل البروتونين والعناصر فائقة الثقل عند الحافة القصوى للجدول الدوري. توفر هذه التنبؤات خارطة طريق للتجارب المستقبلية، وتوجه العلماء نحو مكان البحث عن أشكال جديدة من المادة.
توضح الدراسة أن مستقبل الفيزياء النووية قد يكمن في التكامل الدقيق بين النظريات الفيزيائية التقليدية والأدوات الحديثة القائمة على البيانات. ومن خلال احترام القوانين الراسخة لميكانيكا الكم مع السماح للتعلم الآلي بالتصحيح لتعقيدات النويات الحقيقية، أنشأ الباحثون أداة قوية لاستكشاف العالم الذري. إن عملهم يظهر أنه حتى في مجال محكوم بالثوابت الأساسية، لا تزال هناك مساحة للتحسين، وأن الجمع بين الرؤية البشرية والذكاء الاصطناعي يمكن أن يكشف عن أنماط لا يمكن لأي منهما العثور عليها بمفرده. يوفر هذا الإطار الهجين طريقة موثوقة للتنبؤ بسلوك الذرات غير المستقرة، مما يساعد في رسم حدود الاستقرار النووي وتعميق فهمنا للقوى التي تمسك الكون معًا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.