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 ($\mathrm{TabPFN}$)

Los átomos son los bloques fundamentales de construcción del universo visible, sin embargo, sus núcleos no siempre son estables. En el corazón de un átomo, los protones y neutrones se mantienen unidos por fuerzas poderosas, pero cuando el equilibrio se rompe, el núcleo puede volverse inestable y desprender partículas para encontrar un estado más cómodo. Este proceso, conocido como desintegración radiactiva, es un reloj natural que avanza en el mismísimo límite de la materia. Algunos átomos desprenden un solo protón, otros liberan un par de protones, mientras que muchos emiten un paquete compacto de dos protones y dos neutrones, conocido como partícula alfa. En casos raros, incluso grupos de partículas más grandes se separan. Predecir exactamente cuánto tiempo durarán estos átomos inestables antes de desintegrarse es un desafío central en la física nuclear, ya que revela las reglas ocultas que gobiernan la estructura de la materia y ayuda a los científicos a comprender los límites de la tabla periódica.

Durante casi un siglo, los físicos han dependido de modelos matemáticos para estimar estas vidas medias, tratando a menudo el núcleo como una esfera simple y calculando la probabilidad de que una partícula atraviese un efecto túnel a través de una barrera de energía para escapar. Si bien estos modelos tradicionales capturan la física básica, a menudo tienen dificultades para coincidir con las mediciones precisas realizadas en los laboratorios, especialmente cuando se trata de núcleos complejos y de formas extrañas o tipos de desintegración poco comunes. Para cerrar esta brecha entre la teoría y la realidad, un equipo de investigadores ha desarrollado un nuevo enfoque que combina un modelo físico clásico con una herramienta moderna de inteligencia artificial. Al fusionar las leyes establecidas de la física nuclear con un sistema de aprendizaje automático diseñado para aprender de conjuntos de datos pequeños, han creado un método que predice las vidas medias de los átomos en desintegración con una precisión sin precedentes.

Los investigadores se centraron en cuatro formas distintas en las que los átomos inestables liberan su exceso de energía: la emisión de un solo protón, la liberación simultánea de dos protones, la eyección de una partícula alfa y la emisión de grupos de partículas más grandes. Recopilaron datos de 583 núcleos radiactivos diferentes, una colección que incluyó ejemplos raros de emisores de dos protones, docenas de emisores de protones, cientos de emisores de alfa y una selección de emisores de cúmulos. Su punto de partida fue un marco físico bien conocido llamado modelo de Gamow deformado. Este modelo trata al núcleo no como una esfera perfecta, sino como una forma que puede estirarse o aplastarse, lo que afecta la facilidad con la que las partículas pueden escapar. El modelo calcula el tiempo que tarda una partícula en atravesar la barrera nuclear mediante el efecto túnel, pero depende de algunos números ajustables para coincidir con la realidad, tales como el tamaño efectivo del núcleo y un factor que tiene en cuenta cómo la disposición interna de protones y neutrones podría ralentizar el proceso.

Para mejorar estos cálculos, el equipo introdujo un sofisticado sistema de aprendizaje automático conocido como Red de Datos de Prioría Tabular (Tabular Prior-data Fitted Network). A diferencia de muchos sistemas de inteligencia artificial que requieren cantidades masivas de datos para aprender, esta herramienta está diseñada específicamente para realizar predicciones de alta precisión a partir de conjuntos de datos pequeños, lo que la hace ideal para la física nuclear donde los datos experimentales pueden ser escasos. Los investigadores no simplemente dejaron que la computadora adivinara las respuestas; en su lugar, utilizaron la IA para aprender los patrones sutiles que el modelo físico omitía. Alimentaron el sistema con información sobre el núcleo, como el número de protones y neutrones, la energía liberada durante la desintegración y la forma del núcleo. La IA aprendió entonces a predecir un factor de corrección específico que ajusta el cálculo teórico para que coincida con lo observado realmente en los experimentos.

Los resultados de este enfoque híbrido fueron sorprendentes. Cuando los investigadores probaron su nuevo método contra los datos experimentales, las predicciones se volvieron significamente más precisas en los cuatro modos de desintegración. Para la emisión de protones individuales, el error en las predicciones cayó más de un 80 por ciento en comparación con el modelo físico por sí solo. Para la desintegración alfa, que es la forma más común de desintegración radiactiva estudiada, el error disminuyó casi un 88 por ciento. La versión más exitosa de su modelo, que combinó los parámetros físicos optimizados con las correcciones de la IA, alcanzó un nivel de precisión que fue aproximadamente un 82 por ciento mejor que el modelo físico sin corregir. Esta mejora no fue un simple golpe de suerte estadístico; el modelo mantuvo su precisión incluso cuando fue probado con datos que nunca había visto antes, demostrando que había aprendido las reglas subyacentes de la desintegración en lugar de simplemente memorizar los ejemplos.

Más allá de simplemente obtener los números correctos, el nuevo modelo reprodujo con éxito comportamientos complejos que son difíciles de capturar con fórmulas simples. Por ejemplo, describió con precisión cómo cambian las vidas medias de los átomos emisores de alfa a medida que aumenta el número de neutrones, incluyendo los saltos repentinos en la estabilidad que ocurren cuando el núcleo alcanza un número "mágico" específico de neutrones, como el 126. Esta capacidad de capturar el efecto de cierre de capa sugiere que el modelo ha aprendido implícitamente los detalles estructurales del núcleo, a pesar de que no fue programado explícitamente con esas reglas. Los investigadores también utilizaron su modelo refinado para predecir las vidas medias de átomos que aún no han sido observados o medidos en laboratorios, incluyendo candidatos potenciales para la desintegración de dos protones y elementos superpesados en el borde mismo de la tabla periódica. Estas predicciones proporcionan una hoja de ruta para futuros experimentos, guiando a los científicos sobre dónde buscar nuevas formas de materia.

El estudio demuestra que el futuro de la física nuclear puede residir en la integración cuidadosa de las teorías físicas tradicionales con las herramientas modernas basadas en datos. Al respetar las leyes establecidas de la mecánica cuántica mientras permiten que el aprendizaje automático corrija las complejidades de los núcleos del mundo real, los investigadores han creado un poderoso nuevo instrumento para explorar el mundo atómico. Su trabajo muestra que, incluso en un campo gobernado por constantes fundamentales, todavía hay espacio para el refinamiento, y que combinar la visión humana con la inteligencia artificial puede revelar patrones que ninguno de los dos podría encontrar por sí solo. Este marco híbrido ofrece una forma fiable de predecir el comportamiento de los átomos inestables, ayudando a mapear los límites de la estabilidad nuclear y profundizando nuestra comprensión de las fuerzas que mantienen unido al universo.