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 ($\mathrm{TabPFN}$)

Les atomes sont les briques fondamentales de l'univers visible, pourtant leurs noyaux ne sont pas toujours stables. Au cœur d'un atome, les protons et les neutrons sont maintenus ensemble par des forces puissantes, mais lorsque l'équilibre bascule, le noyau peut devenir instable et se débarrasser de particules pour trouver un état plus confortable. Ce processus, connu sous le nom de désintégration radioactive, est une horloge naturelle qui égrène ses secondes à la lisière même de la matière. Certains atomes rejettent un seul proton, d'autres libèrent une paire de protons, tandis que beaucoup émettent un groupe serré de deux protons et deux neutrons, appelé particule alpha. Dans de rares cas, même des amas plus importants de particules s'en détachent. Prédire exactement combien de temps ces atomes instables dureront avant de se désintégrer est un défi central en physique nucléaire, car cela révèle les règles cachées qui régissent la structure de la matière et aide les scientifiques à comprendre les limites du tableau périodique.

Pendant près d'un siècle, les physiciens se sont appuyés sur des modèles mathématiques pour estimer ces durées de vie, traitant souvent le noyau comme une simple sphère et calculant la probabilité qu'une particule traverse par effet tunnel une barrière énergétique pour s'échapper. Bien que ces modèles traditionnels capturent la physique de base, ils peinent souvent à correspondre aux mesures précises effectuées en laboratoire, en particulier lorsqu'il s'agit de noyaux complexes aux formes irrégulières ou de types de désintégration rares. Pour combler ce fossé entre la théorie et la réalité, une équipe de chercheurs a développé une nouvelle approche qui combine un modèle physique classique avec un outil d'intelligence artificielle moderne. En fusionnant les lois établies de la physique nucléaire avec un système d'apprentissage automatique conçu pour apprendre à partir de petits ensembles de données, ils ont créé une méthode qui prédit la durée de vie des atomes en désintégration avec une précision sans précédent.

Les chercheurs se sont concentrés sur quatre façons distinctes dont les atomes instables rejettent leur excès d'énergie : l'émission d'un proton unique, la libération simultanée de deux protons, l'éjection d'une particule alpha et l'émission d'amas de particules plus volumineux. Ils ont recueilli des données sur 583 noyaux radioactifs différents, une collection qui comprenait des exemples rares d'émetteurs de deux protons, des dizaines d'émetteurs de protons, des centaines d'émetteurs alpha et une sélection d'émetteurs de clusters. Leur point de départ était un cadre physique bien connu appelé le modèle déformé de type Gamow. Ce modèle traite le noyau non pas comme une sphère parfaite, mais comme une forme qui peut être étirée ou écrasée, ce qui affecte la facilité avec laquelle les particules peuvent s'échapper. Le modèle calcule le temps nécessaire pour qu'une particule traverse par effet tunnel la barrière nucléaire, mais il repose sur quelques nombres ajustables pour corresponder à la réalité, tels que la taille effective du noyau et un facteur qui tient compte de la manière dont l'arrangement interne des protons et des neutrons pourrait ralentir le processus.

Pour améliorer ces calculs, l'équipe a introduit un système d'apprentissage automatique sophistiqué connu sous le nom de Tabular Prior-data Fitted Network. Contrairement à de nombreux systèmes d'intelligence artificielle qui nécessitent des quantités massives de données pour apprendre, cet outil est spécifiquement conçu pour réaliser des prédictions de haute précision à partir de petits ensembles de données, ce qui le rend idéal pour la physique nucléaire où les données expérimentales sont rares. Les chercheurs n'ont pas simplement laissé l'ordinateur deviner les réponses ; au lieu de cela, ils ont utilisé l'IA pour apprendre les subtilités et les motifs que le modèle physique avait manqués. Ils ont alimenté le système avec des informations sur le noyau, telles que le nombre de protons et de neutrons, l'énergie libérée lors de la désintégration et la forme du noyau. L'IA a ensuite appris à prédire un facteur de correction spécifique qui ajuste le calcul théorique pour qu'il corresponde à ce qui est réellement observé dans les expériences.

Les résultats de cette approche hybride ont été frappants. Lorsque les chercheurs ont testé leur nouvelle méthode par rapport aux données expérimentales, les prédictions sont devenues nettement plus précises pour les quatre modes de désintégration. Pour l'émission de protons uniques, l'erreur des prédictions a chuté de plus de 80 % par rapport au modèle physique seul. Pour la désintégration alpha, qui est la forme de désintégration radioactive la plus étudiée, l'erreur a diminué de près de 88 %. La version la plus réussie de leur modèle, qui combinait les paramètres physiques optimisés avec les corrections de l'IA, a atteint un niveau de précision environ 82 % supérieur au modèle physique non corrigé. Cette amélioration n'était pas un simple coup de chance statistique ; le modèle a maintenu sa précision même lorsqu'il était testé sur des données qu'il n'avait jamais vues auparavant, prouvant qu'il avait appris les règles sous-jacentes de la désintégration plutôt que de simplement mémoriser les exemples.

Au-delà du simple fait de donner les bons chiffres, le nouveau modèle a réussi à reproduire des comportements complexes difficiles à capturer avec des formules simples. Par exemple, il a décrit avec précision comment la durée de vie des atomes émetteurs d'alpha change à mesure que le nombre de neutrons augmente, y compris les sauts soudains de stabilité qui se produisent lorsque le noyau atteint un nombre de neutrons « magique » spécifique, tel que 126. Cette capacité à capturer l'effet de fermeture de couche suggère que le modèle a implicitement appris les détails structurels du noyau, même s'il n'a pas été explicitement programmé avec ces règles. Les chercheurs ont également utilisé leur modèle raffiné pour prédire la durée de vie d'atomes qui n'ont pas encore été observés ou mesurés en laboratoire, y compris des candidats potentiels pour la désintégration de deux protons et des éléments superlourds à la lisière du tableau périodique. Ces prédictions fournissent une feuille de route pour les expériences futures, guidant les scientifiques sur l'endroit où chercher de nouvelles formes de matière.

L'étude démontre que l'avenir de la physique nucléaire pourrait résider dans l'intégration minutieuse des théories physiques traditionnelles et des outils modernes basés sur les données. En respectant les lois établies de la mécanique quantique tout en permettant à l'apprentissage automatique de corriger les complexités des noyaux du monde réel, les chercheurs ont créé un nouvel instrument puissant pour explorer le monde atomique. Leur travail montre que même dans un domaine régi par des constantes fondamentales, il reste de la place pour l'affinement, et que la combinaison de l'intuition humaine et de l'intelligence artificielle peut révéler des motifs que ni l'une ni l'autre ne pourrait trouver seule. Ce cadre hybride offre un moyen fiable de prédire le comportement des atomes instables, aidant à cartographier les limites de la stabilité nucléaire et approfondissant notre compréhension des forces qui maintiennent l'univers ensemble.