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 ($\mathrm{TabPFN}$)

Atome sind die grundlegenden Bausteine des sichtbaren Universums, doch ihre Kerne sind nicht immer stabil. Im Herzen eines Atoms werden Protonen und Neutronen durch starke Kräfte zusammengehalten, aber wenn das Gleichgewicht kippt, kann der Kern instabil werden und Teilchen abgeben, um einen komfortableren Zustand zu finden. Dieser Prozess, bekannt als radioaktiver Zerfall, ist eine natürliche Uhr, die an der äußersten Grenze der Materie tickt. Einige Atome geben ein einzelnes Proton ab, andere setzen ein Paar Protonen frei, während viele ein dicht gebündeltes Paket aus zwei Protonen und zwei Neutronen aussenden, das als Alpha-Teilchen bekannt ist. In seltenen Fällen brechen sogar größere Teilchencluster ab. Genau vorherzusagen, wie lange diese instabilen Atome vor dem Zerfall bestehen werden, ist eine zentrale Herausforderung in der Kernphysik, da es die verborgenen Regeln offenbart, die die Struktur der Materie bestimmen, und Wissenschaftlern hilft, die Grenzen des Periodensystems zu verstehen.

Seit fast einem Jahrhundert verlassen sich Physiker auf mathematische Modelle, um diese Lebensdauern abzuschätzen, wobei sie den Kern oft als einfache Kugel behandeln und berechnen, wie wahrscheinlich es ist, dass ein Teilchen durch eine Energiebarriere tunnelt, um zu entkommen. Während diese traditionellen Modelle die grundlegende Physik erfassen, haben sie oft Schwierigkeiten, mit den präzisen Messungen in Laboren übereinzustimmen, insbesondere wenn es um komplexe, seltsam geformte Kerne oder seltene Zerfallsarten geht. Um diese Lücke zwischen Theorie und Realität zu schließen, hat ein Forscherteam einen neuen Ansatz entwickelt, der ein klassisches physikalisches Modell mit einem modernen Werkzeug der künstlichen Intelligenz kombiniert. Durch die Verschmelzung der etablierten Gesetze der Kernphysik mit einem System des maschinellen Lernens, das darauf ausgelegt ist, aus kleinen Datensätzen zu lernen, haben sie eine Methode geschaffen, die die Lebensdauern zerfallender Atome mit beispielloser Genauigkeit vorhersagt.

Die Forscher konzentrierten sich auf vier verschiedene Arten, wie instabile Atome ihre überschüssige Energie abgeben: die Emission eines einzelnen Protons, die gleichzeitige Freisetzung von zwei Protonen, die Ausstoßung eines Alpha-Teilchens und die Emission größerer Teilchencluster. Sie sammelten Daten über 583 verschiedene radioaktive Kerne, eine Sammlung, die seltene Beispiele von Zwei-Protonen-Emitter, Dutzenden von Protonen-Emittern, Hunderten von Alpha-Emittern und eine Auswahl an Cluster-Emittern enthielt. Ihr Ausgangspunkt war ein bekanntes physikalisches Grundgerüst, das als deformiertes Gamow-ähnliches Modell bezeichnet wird. Dieses Modell behandelt den Kern nicht als perfekte Kugel, sondern als eine Form, die gedehnt oder gestaucht werden kann, was beeinflusst, wie leicht Teilchen entkommen können. Das Modell berechnet die Zeit, die ein Teilchen benötigt, um durch die Kernbarriere zu tunneln, stützt sich jedoch auf einige anpassbare Zahlen, um der Realität zu entsprechen, wie etwa die effektive Größe des Kerns und einen Faktor, der berücksichtigt, wie die interne Anordnung von Protonen und Neutronen den Prozess verlangsamen könnte.

Um diese Berechnungen zu verbessern, führte das Team ein hochentwickeltes System des maschinellen Lernens ein, das als Tabular Prior-data Fitted Network bekannt ist. Im Gegensatz zu vielen Systemen der künstlichen Intelligenz, die riesige Mengen an Daten benötigen, um zu lernen, ist dieses Werkzeug speziell darauf ausgelegt, hochpräzise Vorhersagen aus kleinen Datensätzen zu treffen, was ideal für die Kernphysik ist, in der experimentelle Daten knapp sein können. Die Forscher ließen den Computer nicht einfach die Antworten raten; statlich nutzten sie die KI, um die subtilen Muster zu erlernen, die das physikalische Modell übersah. Sie speisten das System mit Informationen über den Kern, wie etwa die Anzahl der Protonen und Neutronen, die bei dem Zerfall freigesetzte Energie und die Form des Kerns. Die KI lernte dann, einen spezifischen Korrekturfaktor vorherzusagen, der die theoretische Berechnung anpasst, um mit dem tatsächlich in Experimenten beobachteten Ergebnis übereinzustimmen.

Die Ergebnisse dieses hybriden Ansatzes waren beeindruckend. Als die Forscher ihre neue Methode gegen die experimentellen Daten testeten, wurden die Vorhersagen über alle vier Zerfallsmodi hinweg signifikant genauer. Bei der Emission einzelner Protonen sank der Fehler in den Vorhersagen im Vergleich zum reinen physikalischen Modell um mehr als 80 Prozent. Für den Alpha-Zerfall, die am häufigsten untersuchte Form des radioaktiven Zerfalls, verringerte sich der Fehler um fast 88 Prozent. Die erfolgreichste Version ihres Modells, die die optimierten physikalischen Parameter mit den KI-Korrekturen kombinierte, erreichte ein Präzisionsniveau, das etwa 82 Prozent besser war als das unkorrigierte physikalische Modell. Diese Verbesserung war nicht nur ein statistischer Zufall; das Modell behielt seine Genauigkeit auch bei Tests mit Daten bei, die es zuvor noch nie gesehen hatte, was bewies, dass es die zugrunde liegenden Regeln des Zerfalls gelernt hatte, anstatt nur die Beispiele auswendig zu lernen.

Über das bloße Liefern der richtigen Zahlen hinaus reproduzierte das neue Modell erfolgreich komplexe Verhaltensweisen, die mit einfachen Formeln schwer zu erfassen sind. Beispielsweise beschrieb es präzise, wie sich die Lebensdauern von Alpha-emittierenden Atomen mit zunehmender Neutronenzahl ändern, einschließlich der plötzlichen Sprünge in der Stabilität, die auftreten, wenn der Kern eine bestimmte „magische“ Neutronenzahl erreicht, wie etwa 126. Diese Fähigkeit, den Schalenabschluss-Effekt zu erfassen, deutet darauf hin, dass das Modell implizit die strukturellen Details des Kerns gelernt hat, obwohl es nicht explizit mit diesen Regeln programmiert wurde. Die Forscher nutzten ihr verfeinertes Modell auch, um die Lebensdauern von Atomen vorherzusagen, die noch nicht in Laboren beobachtet oder gemessen wurden, einschließlich potenzieller Kandidaten für den Zwei-Protonen-Zerfall und superschwere Elemente am äußersten Rand des Periodensystems. Diese Vorhersagen bieten eine Roadmap für zukünftige Experimente und leiten Wissenschaftler an, wo sie nach neuen Formen der Materie suchen können.

Die Studie zeigt, dass die Zukunft der Kernphysik in der sorgfältigen Integration traditioneller physikalischer Theorien mit modernen, datengesteuerten Werkzeugen liegen kann. Indem sie die etablierten Gesetze der Quantenmechanik respektieren und gleichzeitig dem maschinellen Lernen erlauben, die Komplexitäten realer Kerne zu korrigieren, haben die Forscher ein leistungsfähiges neues Instrument zur Erforschung der atomaren Welt geschaffen. Ihre Arbeit zeigt, dass selbst in einem Bereich, der von fundamentalen Konstanten bestimmt wird, noch Raum für Verfeinerungen besteht und dass die Kombination von menschlicher Einsicht mit künstlicher Intelligenz Muster aufdecken kann, die keiner von beiden allein finden würde. Dieser hybride Rahmen bietet eine zuverlässige Methode, um das Verhalten instabiler Atome vorherzusagen, die Grenzen der nuklearen Stabilität zu kartieren und unser Verständnis der Kräfte, die das Universum zusammenhalten, zu vertiefen.