Nonlocality Effect in the Tunneling of Alpha Radioactivity with the Aid of Machine Learning

Diese Studie erweitert den Zwei-Potential-Ansatz für den Alphazerfall um Nichtlokalitätseffekte und optimiert ihn mittels maschineller Lernverfahren, wobei insbesondere Entscheidungsbaum- und XGBRegressor-Modelle die Halbwertszeiten von Superheavy-Kernen präziser vorhersagen als herkömmliche empirische Formeln.

Das Wesentliche

Der unsichtbare Tunnel und der lernende Assistent: Wie KI Alpha-Zerfall vorhersagt

Stellen Sie sich vor, Sie sind ein winziger Baustein (ein Atomkern), der in einem riesigen, steilen Berg gefangen ist. Um herauszukommen, muss er einen Tunnel durch den Berg graben. In der Welt der Atomphysik nennt man das Alpha-Zerfall. Der Kern „tunnelt" durch eine unsichtbare Barriere, um sich zu spalten und Energie freizusetzen.

Bislang haben Physiker versucht, zu berechnen, wie lange dieser Tunnelbau dauert (die Halbwertszeit). Sie haben dafür mathematische Formeln benutzt, die wie eine Landkarte funktionieren. Aber diese Landkarten waren nicht immer perfekt. Manchmal wiesen sie den falschen Weg, weil sie eine wichtige Eigenschaft des Tunnels ignorierten: die Nichtlokalität.

Was ist diese „Nichtlokalität"? (Der verwirrende Wanderer)

Stellen Sie sich vor, Sie laufen durch einen Tunnel. In einer einfachen Welt ist Ihr Gewicht überall gleich. Aber in der Quantenwelt ist das anders. Wenn ein Teilchen (wie ein Alpha-Teilchen) durch den Tunnel wandert, verhält es sich, als würde es an manchen Stellen schwerer und an anderen leichter werden. Es ist, als würde ein Wanderer, der durch einen Tunnel läuft, plötzlich an manchen Stellen in einen schweren Rucksack schlüpfen und an anderen wieder leicht wie eine Feder werden.

Die Forscher haben diese „Gewichtsveränderung" (in der Physik effektive Masse genannt) bisher nur grob geschätzt. Das führte zu Ungenauigkeiten bei der Vorhersage, wann ein Atom zerfällt.

Der neue Ansatz: Ein lernender Assistent (Maschinelles Lernen)

Hier kommt die Künstliche Intelligenz (KI) ins Spiel. Die Autoren dieses Papers (Jinyu Hu und Chen Wu) haben sich gedacht: „Warum raten wir die Gewichtsveränderung noch? Lassen wir einen Computer lernen, wie sie funktioniert!"

Sie haben drei verschiedene KI-Modelle wie drei unterschiedliche Detektive eingesetzt:

1. Der Entscheidungsbaum (Decision Tree): Ein Detektiv, der eine Liste von Ja/Nein-Fragen abarbeitet („Ist das Teilchen schwer? Ja -> Gehen wir links").
2. Der Zufallswald (Random Forest): Eine ganze Gruppe von Detektiven, die gemeinsam abstimmen, um einen Fehler zu vermeiden.
3. Der Super-Detektiv (XGBoost): Ein sehr schneller und erfahrener Detektiv, der aus seinen Fehlern extrem schnell lernt.

Diese Detektiven wurden mit Daten von 196 verschiedenen Atomkernen „trainiert". Sie haben gelernt: „Wenn der Kern so aussieht, dann ist das Teilchen an dieser Stelle im Tunnel so schwer."

Die Ergebnisse: Wer war der beste Detektiv?

Das Team hat herausgefunden, dass die KI-Modelle die alten mathematischen Landkarten deutlich verbessert haben:

• Die Vorhersagen waren über 50 % genauer als die alten Methoden.
• Die beiden besten Modelle waren der Entscheidungsbaum und der Super-Detektiv (XGBoost). Sie haben die experimentellen Daten fast perfekt getroffen.
• Der „Zufallswald" war etwas weniger erfolgreich – manchmal ist eine einzelne, sehr scharfe Analyse besser als ein großer, unkoordinierter Haufen Meinungen.

Die große Vorhersage: Was passiert mit den neuen Super-Elementen?

Das Spannendste kommt zum Schluss. Die Forscher haben ihre verbesserten Modelle genutzt, um das Schicksal von Super-Schweren Elementen vorherzusagen, die noch gar nicht vollständig erforscht sind (Elemente mit den Nummern 118 und 120).

Stellen Sie sich vor, sie bauen ein Labor für Elemente, die noch nie existiert haben. Ihre KI sagt nun: „Wenn wir diese Elemente bauen, wie lange überleben sie, bevor sie zerfallen?"

• Die Vorhersagen der KI stimmen sehr gut mit anderen etablierten Theorien überein.
• Besonders der Entscheidungsbaum und eine bekannte Formel namens „New+D" waren sich einig.
• Die Ergebnisse deuten darauf hin, dass es bei bestimmten Neutronenzahlen (wie 180 und 186) magische Stabilitätszonen gibt – wie ein „Sicherheitsgurt" für diese extremen Atome.

Fazit

Diese Arbeit zeigt, dass wir nicht mehr nur auf starre Formeln angewiesen sind. Indem wir Maschinelles Lernen nutzen, um die „versteckten Regeln" der Quantenphysik zu verstehen (wie das Gewicht des Teilchens im Tunnel), können wir die Zukunft von Atomen viel genauer vorhersagen. Es ist, als hätten wir den Physikern eine neue, hochauflösende Brille gegeben, durch die sie die unsichtbare Welt der Atomkerne klarer sehen können.

Das ist ein großer Schritt, um eines Tages noch schwerere Elemente zu synthetisieren und zu verstehen, wie stabil sie sind.

Technische Zusammenfassung

Titel: Nichtlokalitätseffekt beim Tunneln von Alphazerfall mit Hilfe des maschinellen Lernens

Autoren: Jinyu Hu und Chen Wu (Xingzhi College, Zhejiang Normal University, China)

---

1. Problemstellung

Der Alphazerfall ist ein fundamentaler Prozess in der Kernphysik, dessen theoretische Beschreibung oft auf dem quantenmechanischen Tunneleffekt basiert. Traditionelle Modelle, wie der Zwei-Potential-Ansatz (Two-Potential Approach, TPA), behandeln die Masse des Alphateilchens oft als konstant oder verwenden vereinfachte Annahmen.
Ein zentrales Problem besteht darin, dass die Nichtlokalität des Potentials (d.h. die Abhängigkeit der Wechselwirkung von der Position und dem Impuls) zu einer ortsabhängigen effektiven Masse des Alphateilchens führt. Bisherige Ansätze, die diesen Effekt einbeziehen (basierend auf Arbeiten von E. L. Medeiros), erfordern oft manuelle Anpassung von Parametern, um experimentelle Halbwertszeiten genau vorherzusagen. Die Herausforderung liegt darin, eine robuste Methode zu finden, die diese ortsabhängigen Massparameter ($\rho_S$) für eine große Anzahl von Kernen automatisch und präzise optimiert, um die Diskrepanz zwischen Theorie und Experiment zu minimieren.

2. Methodik

Die Autoren kombinieren ein physikalisches Kernmodell mit modernen Techniken des überwachten maschinellen Lernens (Supervised Learning).

• Theoretischer Rahmen (TPA):

  • Die Halbwertszeit $T_{1/2}$ wird über die Zerfallsbreite $\Gamma$ berechnet, die von der Vorformungswahrscheinlichkeit ($P_\alpha$), einem Normalisierungsfaktor ($F$) und der Tunnelwahrscheinlichkeit ($P$) abhängt.
  • Das Potential $V(r)$ setzt sich aus Kernpotential, Coulomb-Potential und Zentrifugalpotential zusammen.
  • Nichtlokalitätseffekt: Die effektive Masse $\mu$ wird durch eine ortsabhängige Funktion modifiziert: $m^* = m / (1 - \rho(r))$. Der Parameter $\rho_S$ steuert die Stärke dieses Effekts.

• Maschinelles Lernen (ML):

  • Ziel: Vorhersage des optimalen Parameters $\rho_S$ für jeden Kern, um die berechneten Halbwertszeiten an experimentelle Daten anzupassen.
  • Eingabe-Features: Basierend auf empirischen Formeln (Royer) wurden $Z/\sqrt{Q_\alpha}$ und die Massenzahl $A$ als Eingangsmerkmale gewählt.
  • Trainingsdaten: Ein Datensatz von 196 geraden-even Kernen ($52 \le Z \le 118$) mit bereits manuell optimierten $\rho_S$-Werten (Abweichung < 0,001).
  • Algorithmen: Drei Regressionsmodelle wurden verglichen:
    1. Decision Tree (DT)
    2. Random Forest (RF)
    3. XGBRegressor (XG) (Extreme Gradient Boosting)
  • Die Hyperparameter wurden mittels automatischer Optimierung in Python (3.7) eingestellt.

3. Wichtige Beiträge

• Erweiterung des TPA: Der Nichtlokalitätseffekt wurde erfolgreich in den Zwei-Potential-Ansatz integriert und durch ML-Modelle optimiert.
• Automatisierung der Parameteranpassung: Erstmals wurden ML-Modelle eingesetzt, um den komplexen, kernspezifischen Parameter $\rho_S$ (der die effektive Masse beeinflusst) direkt aus den Kernmerkmalen vorherzusagen, anstatt ihn manuell zu justieren.
• Vorhersage für Super schwere Elemente: Das optimierte Modell wurde angewendet, um die Alphazerfall-Halbwertszeiten von 20 noch nicht gemessenen, geraden-even Kernen mit den Protonenzahlen $Z=118$ und $Z=120$ vorherzusagen.

4. Ergebnisse

• Modellvergleich:

  • Obwohl der Random Forest (RF) den Parameter $\rho_S$ am besten regressierte, lieferten Decision Tree (DT) und XGBRegressor (XG) die genauesten Vorhersagen für die tatsächlichen Halbwertszeiten.
  • Der RF zeigte im Vergleich zu DT und XG eine schlechtere Leistung bei der finalen Halbwertszeit-Vorhersage.

• Verbesserung der Genauigkeit:

  • Im Vergleich zum Standard-TPA (ohne Nichtlokalität) reduzierten die ML-optimierten Modelle die Standardabweichung ($\sigma$) zwischen Theorie und Experiment signifikant:
    • XGBRegressor: Verbesserung um 53,7 % ($\sigma = 0,259$).
    • Decision Tree: Verbesserung um 54,5 % ($\sigma = 0,264$).
    • Zum Vergleich: Der Standard-TPA ohne Nichtlokalität hatte ein $\sigma$ von $0,573$.
  • Für spezifische Kerne (z.B. $^{108}\text{Xe}$, $^{114}\text{Ba}$, $^{290}\text{Fl}$) konnte die Abweichung durch den Nichtlokalitätseffekt um bis zu 100 % reduziert werden.

• Vorhersagen für $Z=118$ und $Z=120$:

  • Die Vorhersagen der DT- und XG-Modelle wurden mit etablierten Modellen (Deng-Zhang-Royer, DUR; und Denisovs "New+D") verglichen.
  • Die DT-Vorhersagen zeigten eine hohe Übereinstimmung mit dem "New+D"-Modell (welches Kernverformungseffekte explizit berücksichtigt).
  • Das XGB-Modell wies größere Abweichungen auf, blieb aber im gleichen Größenordnungsbereich.
  • Magische Zahlen: Die Analyse der Vorhersagen deutet darauf hin, dass $N=186$ eine magische Neutronenzahl und $N=180$ eine submagische Zahl in diesem Bereich sein könnte.

5. Bedeutung und Fazit

Diese Arbeit demonstriert erfolgreich die Synergie zwischen physikalischen Kernmodellen und maschinellem Lernen.

• Physikalische Erkenntnis: Die Ergebnisse bestätigen, dass der Nichtlokalitätseffekt eine entscheidende Rolle im Alphazerfall spielt und die effektive Masse des Alphateilchens dynamisch angepasst werden muss, um experimentelle Daten präzise zu reproduzieren.
• Methodischer Fortschritt: Der Ansatz zeigt, dass ML-Modelle (insbesondere DT und XG) in der Lage sind, physikalische Parameter zu lernen, die sonst schwer zu bestimmen sind, und so die Vorhersagekraft theoretischer Modelle erheblich steigern.
• Experimentelle Relevanz: Die Vorhersagen für die super schweren Elemente ($Z=118, 120$) bieten wertvolle Leitlinien für zukünftige Experimente zur Synthese neuer Isotope und helfen bei der Identifizierung möglicher "Inseln der Stabilität".

Zusammenfassend liefert die Studie einen verbesserten theoretischen Rahmen für den Alphazerfall, der durch maschinelles Lernen optimiert wurde und eine deutlich höhere Genauigkeit als traditionelle Ansätze erreicht.