Physics-guided residual correction of $\alpha$-decay half-lives based on the effective liquid drop model

Resumen Técnico: Corrección de Residuos de la Vida Media del Decaimiento $\alpha$ Guiada por la Física Basada en el Modelo de la Gota Líquida Efectiva

Planteamiento del Problema
La predicción precisa de las vidas medias del decaimiento $\alpha$ en núcleos pesados y superpesados es crítica para los estudios de estructura nuclear, las investigaciones de estabilidad y la identificación de nuevos nucleidos. Si bien el Modelo de la Gota Líquida Efectiva (ELDM, por sus siglas en inglés) proporciona un marco macroscópico físicamente intuitivo para describir el proceso de penetración de la barrera, presenta limitaciones. Como modelo macroscópico, el ELDM no incorpora plenamente los efectos microscópicos de la estructura nuclear, tales como la deformación nuclear, las estructuras de capas, las correlaciones de apareamiento y el impedimento del momento angular. En consecuencia, persisten desviaciones residuales sistemáticas entre las predicciones del ELDM y los datos experimentales, particularmente en sistemas de $A$ impar y de par impar. Los enfoques de aprendizaje automático (ML) puramente basados en datos carecen a menudo de interpretabilidad física, mientras que los modelos teóricos tradicionales tienen dificultades para capturar correlaciones no lineales complejas ocultas en conjuntos de datos de alta dimensión.

Metodología
Los autores proponen un marco de corrección de residuos guiado por la física que integra el ELDM con el aprendizaje automático. La metodología procede en tres etapas:

1. Línea Base Macroscópica (ELDM): Se emplea el ELDM para calcular las vidas medias teóricas ($T_{1/2}^{ELDM}$). En este modelo, el decaimiento $\alpha$ se trata como un proceso similar a la fisión donde el núcleo padre evoluciona hacia una configuración dinuclear (partícula $\alpha$ emitida y núcleo hijo). La penetrabilidad de la barrera se calcula utilizando la aproximación semiclásica WKB a lo largo de una coordenada colectiva unidimensional, teniendo en cuenta las barreras de la gota líquida interna y las barreras externas de Coulomb/centrífuga.
2. Definición del Residuo: La discrepancia entre la predicción del ELDM y los datos experimentales se define como la cantidad residual: $\Delta = \log_{10} T_{1/2}^{ELDM} - \log_{10} T_{1/2}^{exp}$.
3. Corrección mediante Aprendizaje Automático: Se entrenan dos modelos de ML de muestra pequeña, XGBoost (árboles de decisión potenciados por gradiente) y TabPFN (un modelo fundacional probabilístico para datos tabulares), para predecir el residuo $\Delta$. El marco utiliza varios grupos de descriptores motivados físicamente para caracterizar tanto el comportamiento global del decaimiento como los efectos microscópicos ausentes:
   • Básicos: Número de protones ($Z$), número de neutrones ($N$) y energía de decaimiento ($Q_\alpha$).
   • Deformación: Un descriptor de deformación con signo ($x_{def}$) derivado del parámetro de deformación cuadrupolar $\beta_2$.
   • Geiger-Nuttall: El término $Z/\sqrt{Q_\alpha}$.
   • Momento Angular: El momento angular orbital mínimo ($l_{min}$) para dar cuenta del impedimento centrífugo.
     Se probaron cuatro combinaciones de características (término1 a término4), añadiendo progresivamente estos descriptores.

Contribuciones Clave

• Marco Híbrido: El artículo introduce una estrategia donde el ELDM proporciona las restricciones físicas y la tendencia global, mientras que el ML aprende las desviaciones residuales específicas derivadas de la estructura microscópica. Esto preserva la interpretabilidad física al tiempo que mejora la precisión.
• Ingeniería de Características: La construcción sistemática de descriptores motivados físicamente (deformación, características de Geiger-Nuttall y $l_{min}$) permite al modelo apuntar explícitamente a los mecanismos físicos específicos que faltan en el ELDM base.
• Comparación de Modelos: Se realiza una comparación sistemática entre XGBoost y TabPFN en un conjunto de datos derivado de NUBASE2020 y AME2020, que cubre núcleos pesados y superpesados.

Resultados

• Mejora del Rendimiento: Todas las correcciones de residuos basadas en ML mejoraron significativamente la precisión predictiva de la línea base del ELDM. El modelo TabPFN con el conjunto de características "término3" (que contiene $Z, N, Q_\alpha, x_{def}, Z/\sqrt{Q_\alpha}, l_{min}$) logró el mejor rendimiento.
• Métricas Cuantitativas: El modelo TabPFN-término3 redujo el Error Cuadrático Medio (RMSE) de 0.567 (línea base ELDM) a 0.348 (una mejora del 38.60%) y el Error Absoluto Medio (MAE) de 0.417 a 0.248 (una mejora del 40.46%).
• Importancia de las Características: El análisis de ablación de características reveló que la inclusión de cantidades relacionadas con la deformación y el momento angular orbital mínimo fue crucial. La eliminación de los descriptores de deformación (término4) provocó una degradación del rendimiento, confirmando que los efectos de la deformación nuclear contribuyen significativamente a las desviaciones residuales.
• Distribución de Residuos: Las predicciones corregidas mostraron una distribución de residuos significativamente más concentrada alrededor de cero en comparación con la línea base, con una supresión sustancial de la región de cola larga asociada con grandes desviaciones.
• Comportamiento del Modelo: TabPFN demostró generalmente un rendimiento más estable y una mejor capacidad para aprender estructuras residuales no lineales complejas a partir de datos limitados en comparación con XGBoost.

Significado
Los autores afirman que este marco de corrección de residuos guiado por la física ofrece una estrategia viable para la predicción de alta precisión de la vida media del decaimiento $\alpha$. Al compensar los efectos de la estructura nuclear microscópica faltantes sin descartar la base física macroscópica, el enfoque logra una alta precisión manteniendo la interpretabilidad física. El estudio sugiere que las desviaciones residuales en los modelos macroscópicos contienen información microscópica sistemática que puede ser extraída eficazmente mediante el aprendizaje automático de muestra pequeña. Esta metodología híbrida se presenta como una guía potencial para futuras investigaciones en otros procesos de decaimiento nuclear y problemas de estructura nuclear.