⚛️ nuclear theory

Machine Learning-Driven High-Precision Model for $\alpha$ -Decay Energy and Half-Life Prediction of superheavy nuclei

यह शोध पत्र एक बेयसियन-अनुकूलित (Bayesian-optimized) XGBoost मॉडल प्रस्तुत करता है जो प्रमुख परमाणु संरचनात्मक विशेषताओं को एकीकृत करके सुपरहैवी नाभिकों की $\alpha$ -क्षय ऊर्जा और अर्ध-आयु की सटीक भविष्यवाणी करता है, जो पारंपरिक अनुभवजन्य मॉडलों से बेहतर प्रदर्शन करने के साथ-साथ SHAP विश्लेषण के माध्यम से भौतिक अंतर्दृष्टि भी प्रदान करता है।

मूल लेखक: Qingning Yuan, Panpan Qi, Xuanpen Xiao, Xue Wang, Juan He, Guimei Long, Zhengwei Duan, Yangyan Dai, Runchao Yan, Gongming Yu, Haitao Yang

प्रकाशित 2026-03-12

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Qingning Yuan, Panpan Qi, Xuanpen Xiao, Xue Wang, Juan He, Guimei Long, Zhengwei Duan, Yangyan Dai, Runchao Yan, Gongming Yu, Haitao Yang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य चित्र: अनिश्चितता की भविष्यवाणी करना

कल्पना कीजिए कि आपके पास एक विशाल, ब्रह्मांडीय पासा खेल (cosmic dice game) है। इस खेल में, कुछ भारी परमाणु (जैसे आवर्त सारणी के सुदूर छोरों में पाए जाने वाले अति-भारी तत्व) अस्थिर होते हैं। वे एक छोटे, भारी कण को बाहर निकालकर टूट जाना चाहते हैं जिसे अल्फा कण (alpha particle) कहा जाता है (जो मूल रूप से एक हीलियम नाभिक है)।

वैज्ञानिक इस "विस्फोट" के बारे में दो चीजों की भविष्यवाणी करने की कोशिश कर रहे हैं:

जब यह होता है तो कितनी ऊर्जा (energy) निकलती है?
परमाणु टूटने में कितना समय लेगा (इसका "हाफ-लाइफ" या अर्ध-आयु)?

दशकों से, वैज्ञानिक इन नंबरों का अनुमान लगाने के लिए पुराने गणितीय सूत्रों (जैसे रॉयर फॉर्मूला (Royer formula) या यूनिवर्सल डिके लॉ (Universal Decay Law)) का उपयोग करते रहे हैं। इन पुराने सूत्रों को एक सरल नियम पर आधारित मौसम पूर्वानुमान की तरह समझें: "यदि बादल छाए हैं, तो शायद बारिश होगी।" यह सामान्य दिनों के लिए ठीक काम करता है, लेकिन यदि आप ऐसी जगह पर तूफान की भविष्यवाणी करने की कोशिश कर रहे हैं जहाँ कभी बारिश नहीं हुई है, तो यह सरल नियम विफल हो जाता है।

यह शोध पत्र आर्टिफिशियल इंटेलिजेंस (मशीन लर्निंग) का उपयोग करके बनाया गया एक नया, सुपर-स्मार्ट "मौसम पूर्वानुमानकर्ता" पेश करता है। एक सरल नियम के बजाय, यह AI अतीत के हजारों उदाहरणों से सीखता है ताकि यह समझ सके कि परमाणु कैसे व्यवहार करते हैं, इसके जटिल और छिपे हुए पैटर्न क्या हैं।

समस्या: पुराने नियम क्यों विफल होते हैं

पुराने सूत्रों की कुछ प्रमुख कमजोरियां हैं:

वे बहुत कठोर हैं: वे मान लेते हैं कि दुनिया एक सीधी रेखा में चलती है। लेकिन परमाणु अव्यवस्थित होते हैं। उनके अजीब आकार, विचित्र आंतरिक संरचनाएं और कणों की "जादुई" संख्या होती है जो उन्हें अलग तरह से व्यवहार करने पर मजबूर करती है।
वे अज्ञात में विफल हो जाते हैं: जब वैज्ञानिक अति-भारी, अस्थिर परमाणुओं (विदेशी या "exotic" तत्वों) को देखते हैं, तो पुराने सूत्र गलत हो जाते हैं। यह न्यूयॉर्क शहर के नक्शे का उपयोग करके अमेज़न के जंगल में रास्ता खोजने जैसा है।
"बटरफ्लाई इफेक्ट" (Butterfly Effect): परमाणु भौतिकी में, ऊर्जा में एक मामूली बदलाव से क्षय (decay) होने में लगने वाले समय में लाखों गुना बदलाव आ सकता है। यदि आपकी भविष्यवाणी थोड़ी सी भी गलत होती है, तो आपका समय का अनुमान पूरी तरह से बेकार हो जाता है।

समाधान: "XGBoost" जासूस

लेखकों ने XGBoost नामक टूल का उपयोग करके एक नया मॉडल बनाया है। यदि आप पुराने सूत्रों को अपराध स्थल को देखने वाले एक अकेले जासूस के रूप में देखते हैं, तो XGBoost 1,600 जासूसों की एक टीम की तरह है जो मिलकर काम कर रही है।

यहाँ बताया गया है कि वे कैसे काम करते हैं:

वे केवल अनुमान नहीं लगाते; वे सीखते हैं: मॉडल को ज्ञात परमाणुओं के एक विशाल डेटाबेस (जैसे 1,600 पिछले मामलों का पुस्तकालय) से प्रशिक्षित किया गया था।
वे "सुराग" (विशेषताएं/Features) देखते हैं: केवल परमाणु के वजन को देखने के बजाय, मॉडल उन विशिष्ट "सुरागों" को देखता है जो भौतिकी हमें बताती है कि महत्वपूर्ण हैं:
- "जादुिक" संख्याएँ (Magic Numbers): परमाणु सबसे अधिक स्थिर होते हैं जब उनमें प्रोटॉन या न्यूट्रॉन की विशिष्ट संख्या होती है (जैसे 2, 8, 20, 50, 82)। मॉडल यह जांचता है कि एक परमाणु इन "जादुई संख्याओं" के कितने करीब है।
- "स्पिन" (कोणीय संवेग/Angular Momentum): कभी-कभी, परमाणु को कण बाहर निकालने के लिए घूमना पड़ता है। यदि इसे बहुत अधिक घूमना पड़ता है, तो बाहर निकलना कठिन होता है, और इसमें अधिक समय लगता है। मॉडल इस "स्पिन की कठिनाई" की जांच करता है।
- "आकार" (विकृति/Deformation): कुछ परमाणु बास्केटबॉल की तरह पूरी तरह गोल होते हैं; अन्य रग्बी बॉल की तरह दबे हुए होते हैं। मॉडल आकार की जांच करता है क्योंकि एक रग्बी बॉल बास्केटबॉल की तुलना में अलग तरह से टूटती है।
- "असंतुलन" (Imbalance): यदि किसी परमाणु में प्रोटॉन की तुलना में बहुत अधिक न्यूट्रॉन हैं, तो वह "नाखुश" और अस्थिर है। मॉडल इस असंतुलन को मापता है।

उन्होंने इसका परीक्षण कैसे किया

टीम ने अपने डेटा को पांच समूहों में विभाजित किया। उन्होंने चार समूहों पर AI को प्रशिक्षित किया और पांचवें पर परीक्षण किया, फिर यह प्रक्रिया दोहराई। यह एक छात्र द्वारा पांच अलग-अलग अभ्यास परीक्षा देने जैसा है ताकि यह सुनिश्चित किया जा सके कि वे केवल उत्तरों को रट नहीं रहे हैं बल्कि वास्तव में विषय को समझ रहे हैं।

परिणाम:

पुराने सूत्र: उनकी गलतियाँ काफी स्पष्ट थीं, विशेष रूप से अजीब, भारी परमाणुओं के लिए।
नया AI मॉडल: काफी अधिक सटीक था। इसने केवल अनुमान नहीं लगाया; इसने नंबरों के पीछे के भौतिकी को सीखा।
कोई "ब्लैक बॉक्स" नहीं: आमतौर पर, AI एक "ब्लैक बॉक्स" होता है (आप डेटा डालते हैं, उत्तर प्राप्त करते हैं, लेकिन नहीं जानते कि क्यों)। लेखकों ने बॉक्स खोलने के लिए SHAP नामक एक विशेष उपकरण का उपयोग किया। उन्होंने पाया कि AI वास्तव में सही भौतिकी सुरागों का उपयोग कर रहा था! इसने महसूस किया कि "ऊर्जा" और "स्पिन" सबसे महत्वपूर्ण कारक थे, जैसा कि वास्तविक भौतिकविदों ने सोचा होगा।

उपमा: केक बनाना

पुराना तरीका (Royer/UDL): आपके पास एक रेसिपी है जिसमें लिखा है, "2 कप मैदा डालें और 30 मिनट तक बेक करें।" यह एक साधारण स्पंज केक के लिए काम करता है। लेकिन यदि आप अजीब सामग्री के साथ एक जटिल, कई परतों वाला चॉकलेट केक बनाने की कोशिश करते हैं, तो केक ढह सकता है।
नया तरीका (XGBoost): आपके पास एक मास्टर बेकर (AI) है जिसने 1,600 अलग-अलग केक चखे हैं। एक निश्चित रेसिपी के बजाय, बेकर आपके पास मौजूद विशिष्ट सामग्रियों (सुरागों: क्या मैदा ताजा है? क्या ओवन गर्म है? क्या बैटर बहुत गीला है?) को देखता है। बेकर मिश्रण के आधार पर समय और तापमान को गतिशील रूप से समायोजित करता है।
- बेकर जानता है कि यदि आप बहुत अधिक चीनी (न्यूट्रॉन अधिकता) डालते हैं, तो आपको अधिक देर तक बेक करने की आवश्यकता होगी।
- बेकर जानता है कि यदि केक का आकार गोलाकार बनाम रग्बी बॉल जैसा है, तो गर्मी उस पर अलग तरह से असर करेगी।

यह क्यों मायने रखता है

यह केवल बेहतर गणित के होमवर्क उत्तर प्राप्त करने के बारे में नहीं है।

अज्ञात की खोज: वैज्ञानिक ऐसे नए, अति-भारी तत्वों को बनाने की कोशिश कर रहे हैं जो प्राकृतिक रूप से मौजूद नहीं हैं। उन्हें यह जानने की आवश्यकता है कि ये नए तत्व गायब होने से पहले एक सेकंड तक टिकेंगे या एक मिलीसेकंड तक। यह AI उन्हें यह अनुमान लगाने में मदद करता है कि कहाँ देखना है।
सुरक्षा और ऊर्जा: इन परमाणुओं के क्षय (decay) को समझने से हमें परमाणु ऊर्जा और विकिरण सुरक्षा को समझने में मदद मिलती है।
विश्वसनीय AI: यह शोध पत्र सिद्ध करता है कि AI "भौतिकी-जागरूक" (physics-aware) हो सकता है। यह केवल पैटर्न नहीं ढूंढता; यह प्रकृति के नियमों को सीखता है, जिससे यह वैज्ञानिकों के लिए एक विश्वसनीय उपकरण बन जाता है।

संक्षेप में

लेखकों ने एक सुपर-स्मार्ट, भौतिकी-प्रशिक्षित AI बनाया है जो भविष्यवाणी करता है कि अस्थिर परमाणु कितने समय तक रहेंगे। AI को परमाणुओं के "आकार", "स्पिन" और "जादुई संख्याओं" को देखने के लिए सिखाकर, उन्होंने एक ऐसा टूल बनाया है जो पुराने गणितीय सूत्रों की तुलना में कहीं अधिक सटीक है, विशेष रूप से उन अजीब, भारी परमाणुओं के लिए जिन्हें वैज्ञानिक अभी खोजना शुरू कर रहे हैं। यह एक दिशा-सूचक यंत्र (compass) से अपग्रेड करने जैसा है जिसमें अब इलाके (terrain) की समझ वाला GPS लगा है।

यहाँ "सुपरहेवी न्यूक्लिआई के $\alpha$ -डिके एनर्जी और हाफ-लाइफ प्रेडिक्शन के लिए मशीन लर्निंग-ड्रिवन हाई-प्रिसिजन मॉडल" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

$\alpha$ -डिके ऊर्जाओं ( $Q_\alpha$ ) और हाफ-लाइफ ( $T_{1/2}$ ) का पूर्वानुमान लगाना परमाणु संरचना और स्थिरता को समझने के लिए महत्वपूर्ण है, विशेष रूप से सुपरहेवी न्यूक्लिआई और स्थिरता की घाटी (valley of stability) से दूर स्थित विलक्षण आइसोटोपों के लिए।

अनुभवजन्य मॉडलों की सीमाएँ (Limitations of Empirical Models): पारंपरिक अनुभवजन्य सूत्र (जैसे रॉयिर फॉर्मूला, यूनिवर्सल डिके लॉ या UDL) डेटा के पास फिक्स्ड फंक्शनल फॉर्म पर निर्भर करते हैं जो स्थिरता रेखा के पास फिट किए गए होते हैं। वे अक्सर निम्न- $Q_\alpha$ $Q_{α}$ क्षेत्रों या विलक्षण न्यूक्लिआई के लिए विफल हो जाते हैं क्योंकि:
- पोटेंशियल बैरियर्स और टनलिंग डायनेमिक्स के सरलीकृत उपचार के कारण व्यवस्थित विचलन (systematic deviations) होते हैं।
- शेल इफेक्ट्स (shell effects), न्यूक्लियर विरूपण (nuclear deformation), और कोणीय संवेग बाधा (angular-momentum hindrance) से जुड़े जटिल, गैर-रैखिक अंतःक्रियाओं को पूरी तरह से शामिल करने में असमर्थता।
- डिके एनर्जी में छोटी त्रुटियों के प्रति हाफ-लाइफ भविष्यवाणियों की घातांकीय संवेदनशीलता (exponential sensitivity)।
डेटा की कमी (Data Scarcity): सुपरहेवी और विलक्षण न्यूक्लिआई के लिए उच्च-गुणवत्ता वाले प्रयोगात्मक डेटा दुर्लभ हैं, जिससे अनुभवजन्य मॉडलों को रिफाइन करना या मानक मशीन लर्निंग मॉडलों को बिना ओवरफिटिंग के प्रशिक्षित करना कठिन हो जाता है।
व्याख्यात्मकता अंतराल (Interpretability Gap): परमाणु भौतिकी में कई मौजूदा मशीन लर्निंग दृष्टिकोण "ब्लैक बॉक्स" की तरह कार्य करते हैं, जिनमें स्थापित भौतिक नियमों (जैसे गेगर-नटॉल लॉ, सेंट्रीफ्यूगल हिन्ड्रेंस) के साथ स्पष्ट संबंध की कमी होती है।

2. कार्यप्रणाली (Methodology)

लेखक एक फिजिक्स-इन्फॉर्म्ड मशीन लर्निंग फ्रेमवर्क प्रस्तावित करते हैं जो eXtreme Gradient Boosting (XGBoost) रिग्रेशन एल्गोरिदम पर आधारित है। यह अध्ययन दो अलग-अलग लेकिन संबंधित कार्यों में विभाजित है: $Q_\alpha$ प्रेडिक्शन और $T_{1/2}$ प्रेडिक्शन।

A. डेटा स्रोत और प्रीप्रोसेसिंग (Data Sources and Preprocessing)

डेटासेट्स:
- $Q_\alpha$ प्रेडिक्शन के लिए: 1,623 न्यूक्लिआई ( $50 \le Z \le 118$ ) जहाँ $Q_\alpha > 0$ है।
- $T_{1/2}$ प्रेडिक्शन के लिए: 498 न्यूक्लिआई ( $64 \le Z \le 118$ ) जिनके मापे गए हाफ-लाइफ उपलब्ध हैं।
स्रोत: न्यूक्लियर मास और डिके डेटा के लिए NUBASE2020 और AME2020; क्वाड्रूपोल विरूपण पैरामीटर्स ( $\beta_2$ ) के लिए FRDM2012।
टारगेट वेरिएबल: हाफ-लाइफ के विशाल डायनेमिक रेंज को संभालने के लिए, मॉडल रॉ वैल्यू के बजाय $\log_{10}(T_{1/2})$ की भविष्यवाणी करता है।
वैलिडेशन: ओवरफिटिंग को रोकने और मजबूती सुनिश्चित करने के लिए फाइव-फोल्ड क्रॉस-वैलिडेशन का उपयोग किया गया है। वैलिडेशन RMSE के आधार पर अर्ली स्टॉपिंग लागू की गई है।

B. फीचर इंजीनियरिंग (फिजिक्स-इन्फॉर्म्ड डिस्क्रिप्टर्स) (Feature Engineering)

केवल कच्चे न्यूक्लियॉन नंबरों के बजाय, मॉडल में परमाणु संरचना सिद्धांत से प्राप्त विशिष्ट भौतिक डिस्क्रिप्टर्स को शामिल किया गया है:

$Q_\alpha$ प्रेडिक्शन के लिए: मास नंबर ( $A$ ), प्रोटॉन नंबर ( $Z$ ), न्यूट्रॉन नंबर ( $N$ ), प्रोटॉन-न्यूट्रॉन अनुपात ( $Z/N$ ), और रिलेटिव न्यूट्रॉन एक्सेस ( $(N-Z)/A$ )।
$T_{1/2}$ प्रेडिक्शन के लिए:
- कूलम्ब-एनर्जी कपलिंग: $Z_1/\sqrt{Q_\alpha}$ (जो गेगर-नटॉल डिपेंडेंस को कैप्चर करता है)।
- कोणीय संवेग (Angular Momentum): न्यूनतम ऑर्बिटल एंगुलर मोमेंटम ट्रांसफर ( $\ell_{min}$ ), जिसे सेंट्रीफ्यूगल हिन्ड्रेंस को मॉडल करने के लिए स्पिन-पैरिटी सिलेक्शन रूल्स के माध्यम से गणना किया गया है।
- शेल इफेक्ट्स (Shell Effects): निकटतम प्रोटॉन मैजिक नंबर से दूरी ( $|Z_1 - \text{magic}|_{min}$ )।
- विरूपण (Deformation): एक टर्म $\sqrt{\kappa_2 \beta_2}$ जो प्रोलैट ( $\kappa_2=2$ ), ओब्लेट ( $\kappa_2=-1$ ), और स्फेरिक ( $\kappa_2=0$ ) आकारों को ध्यान में रखता है।
- आइसोस्पिन एसिमेट्री: $N_1/Z_1$ और $(N_1-Z_1)/A_1$ ।

C. मॉडल आर्किटेक्चर (Model Architecture)

एल्गोरिदम: XGBoost (ग्रेडिएंट बूस्टेड डिसीजन ट्रीज़)।
लॉस फंक्शन: आउटलेयर्स के प्रति संवेदनशीलता को कम करने के लिए हाफ-लाइफ प्रेडिक्शन के लिए स्यूडो-ह्यूबर लॉस (Pseudo-Huber loss); $Q_\alpha$ के लिए मीन स्क्वेर्ड एरर (MSE)।
हाइपरपैरामीटर्स: ग्रिड सर्च के माध्यम से अनुकूलित (जैसे max depth=4, learning rate=0.03, regularization $\lambda=5.0$ )।
व्याख्यात्मकता (Interpretability): प्रत्येक फीचर के योगदान को मापने के लिए SHapley Additive exPlanations (SHAP) विश्लेषण का उपयोग किया गया है, जिससे यह सुनिश्चित होता है कि मॉडल स्थापित भौतिक नियमों (जैसे गेगर-नटॉल लॉ, सेंट्रीफ्यूगल हिन्ड्रेंस) के साथ संरेखित है।

3. मुख्य योगदान (Key Contributions)

फिजिक्स-गाइडेड फीचर डिजाइन: यह अध्ययन केवल सांख्यिकीय सहसंबंधों के बजाय भौतिक सिद्धांतों से सीखने के लिए डोमेन-विशिष्ट फीचर्स का निर्माण करके जेनेरिक इनपुट्स से आगे बढ़ता है।
बेहतर प्रेडिक्टिव सटीकता: XGBoost मॉडल $Q_\alpha$ और $T_{1/2}$ दोनों भविष्यवाणियों में व्यापक रूप से उपयोग किए जाने वाले अनुभवजन्य सूत्रों (रॉयिर और UDL) को पछाड़ देता है, विशेष रूप से उन क्षेत्रों में जहाँ अनुभवजन्य मॉडल संघर्ष करते हैं (जैसे निम्न $Q_\alpha$ या विलक्षण न्यूक्लिआई)।
व्याख्यात्मकता और भौतिक निरंतरता: SHAP विश्लेषण यह प्रदर्शित करता है कि "ब्लैक बॉक्स" मॉडल वास्तव में सही भौतिक पदानुक्रम सीखता है:
- $Z/\sqrt{Q_\alpha}$ प्रमुख कारक है (गेगर-नटॉल लॉ)।
- $\ell_{min}$ सेंट्रीफ्यूगल हिन्ड्रेंस को सही ढंग से कैप्चर करता है (अनानुचित डिके के लिए लंबी हाफ-लाइफ होती है)।
- विरूपण (deformation) और शेल इफेक्ट्स आवश्यक संरचनात्मक सुधार प्रदान करते हैं।
डेटा-दुर्लभ क्षेत्रों में मजबूती: मॉडल सीमित प्रशिक्षण डेटा के साथ भी उच्च सामान्यीकरण क्षमता बनाए रखता है, जो इसे सुपरहेवी तत्वों के गुणों की भविष्यवाणी करने के लिए उपयुक्त बनाता है जहाँ प्रयोगात्मक डेटा कम है।

4. परिणाम (Results)

$Q_\alpha$ प्रेडिक्शन:
- टेस्ट सेट पर 0.9901 का $R^2$ प्राप्त किया।
- RMSE: 0.2971 MeV।
- SHAP विश्लेषण ने पुष्टि की कि मॉडल लिक्विड-ड्रॉप और शेल मॉडल के अनुरूप मौलिक संरचनात्मक चरों ( $Z, N, A$ ) पर निर्भर करता है।
हाफ-लाइफ प्र्रेडिक्शन:
- टेस्ट सेट पर 0.9780 का $R^2$ प्राप्त किया।
- RMSE: 0.7845 ( $\log_{10} T_{1/2}$ के लिए)।
- तुलना: XGBoost मॉडल ने UDL (RMSE 0.8887) और रॉयिर फॉर्मूला (RMSE 3.0897) की तुलना में काफी बेहतर प्रदर्शन किया।
- विजुअल एनालिसिस: भविष्यवाणियाँ $y=x$ रेखा के आसपास घनीभूत थीं, जबकि अनुभवजन्य सूत्रों में बड़े व्यवस्थित विचलन देखे गए।
SHAP इनसाइट्स:
- फीचर $Z/\sqrt{Q_\alpha}$ का उच्चतम SHAP मान था, जो पुष्टि करता है कि मॉडल बैरियर पेनिट्रेशन प्रोबेबिलिटी को प्राथमिकता देता है।
- $\ell_{min}$ ने गैर-शून्य मानों के लिए हाफ-लाइफ के साथ स्पष्ट सकारात्मक सहसंबंध दिखाया, जो हिन्ड्रेंस प्रभाव को सही ढंग से मॉडल करता है।
- विरूपण टर्म ( $\sqrt{\kappa_2 \beta_2}$ ) ने महत्वपूर्ण सुधार प्रदान किए, जो न्यूक्लियर शेप इफेक्ट्स के समावेश को मान्य करते हैं।

5. महत्व (Significance)

यह कार्य डेटा-ड्रिवन मशीन लर्निंग को डोमेन-विशिष्ट भौतिक ज्ञान के साथ सफलतापूर्वक एकीकृत करके न्यूक्लियर डिके मॉडलिंग के लिए एक नया प्रतिमान स्थापित करता है।

वैज्ञानिक प्रभाव: यह सुपरहेवी न्यूक्लिआई की स्थिरता और डिके गुणों की भविष्यवाणी करने के लिए एक अधिक सटीक उपकरण प्रदान करता है, जो "आइलैंड ऑफ स्टेबिलिटी" की खोज में सहायता करता है।
मेथोडोलॉजिकल प्रभाव: यह प्रदर्शित करता है कि भौतिकी में ML मॉडल अपारदर्शी होने की आवश्यकता नहीं है; फिजिक्स-इन्फॉर्म्ड फीचर्स और SHAP जैसे व्याख्यात्मक उपकरणों का उपयोग करके, शोधकर्ता ऐसे मॉडल बना सकते हैं जो अत्यधिक सटीक और भौतिक रूप से पारदर्शी दोनों हों।
भविष्य का अनुप्रयोग: यह फ्रेमवर्क अन्य न्यूक्लियर डिके मोड या रिएक्शन क्रॉस-सेक्शन के लिए अनुकूलनीय है जहाँ प्रयोगात्मक डेटा सीमित है, जो शुद्ध सैद्धांतिक या शुद्ध अनुभवजन्य दृष्टिकोणों के लिए एक मजबूत विकल्प प्रदान करता है।