⚛️ nuclear theory

Systematic Study on the $\alpha$ -particle preformation factor in the theory of $\alpha$ -decay based on the Tabular Prior-data Fitted Network (TabPFN)

यह शोध पत्र $\alpha$ -कण प्रीफॉर्मेशन कारकों (preformation factors) की सटीक भविष्यवाणी करने के लिए टैबुलर प्रायर-डेटा फिटेड नेटवर्क (TabPFN) को कूलम्ब और प्रॉक्सिमिटी पोटेंशियल मॉडल के साथ संयोजित करने वाले एक हाइब्रिड दृष्टिकोण को विकसित करता है, जिससे $\alpha$ -क्षय अर्ध-आयु गणनाओं में महत्वपूर्ण सुधार होता है और सुपरहैवी नाभिकों के लिए $N=184$ को न्यूट्रॉन जादुई संख्या (neutron magic number) के रूप में सुझाव मिलता है।

मूल लेखक: Panpan Qi, Xuanpeng Xiao, Gongming Yu, Haitao Yang, Qiang Hu

प्रकाशित 2026-03-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Panpan Qi, Xuanpeng Xiao, Gongming Yu, Haitao Yang, Qiang Hu

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

बड़ी तस्वीर: अनिश्चितता की भविष्यवाणी करना

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक विशिष्ट, अस्थिर गुब्बारा कब फटेगा। परमाणुओं की दुनिया में, इस "फटने" को अल्फा क्षय (Alpha Decay) कहा जाता है। कभी-कभी एक परमाणु अधिक स्थिर होने के लिए कणों का एक छोटा सा समूह (एक अल्फा कण) बाहर निकाल देता है।

भौतिकविदों को लंबे समय से पता है कि यह कब होता है, इसका गणना कैसे की जाए, लेकिन पहेली का एक हिस्सा गायब है। वे जानते हैं कि गुब्बारे के अंदर का "दबाव" (ऊर्जा) क्या है और रबर की "मोटाई" (बाधा) क्या है, लेकिन वे यह नहीं जानते कि फटने से ठीक पहले गुब्बारे में एक कमजोर बिंदु बनने की कितनी संभावना है। इस कमजोर बिंदु को प्रीफॉर्मेशन फैक्टर (Preformation Factor) कहा जाता है।

द दशकों से, वैज्ञानिकों को इस संख्या का अनुमान साधारण नियमों के आधार पर लगाना पड़ता था। यह शोध पत्र कहता है, "आइए अनुमान लगाना बंद करें और इसके बजाय एक सुपर-स्मार्ट कंप्यूटर को पैटर्न सीखने दें।"

नया टूल: "TabPFN" शेफ

लेखकों ने TabPFN (Tabular Prior-data Fitted Network) नामक एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग किया।

पारंपरिक AI प्रशिक्षण को एक छात्र को पाठ्यपुस्तक दिखाकर और फिर परीक्षा लेकर सिखाने जैसा समझें। आपको कड़ी मेहनत करनी होती है, याद करना होता है, और फिर परीक्षा देनी होती है।

TabPFN अलग है। एक ऐसे शेफ की कल्पना करें जिसने पहले ही लाखों अलग-अलग सूप (सिंथेटिक डेटा) चखे हैं और स्वाद के मौलिक नियमों को सीख लिया है। जब आप इस शेफ को केवल कुछ सामग्रियों (वास्तविक परमाणु डेटा) के साथ एक नया नुस्खा देते हैं, तो उसे उस नुस्खे को फिर से पढ़ने की आवश्यकता नहीं होती। वह अपने विशाल पूर्व अनुभव के आधार पर तुरंत पैटर्न को पहचान लेता है। वह केवल सामग्री की सूची देखकर ही एक ऐसे सूप के स्वाद की भविष्यवाणी कर सकता है जिसे उसने पहले कभी नहीं देखा है।

इस शोध पत्र में, "सामग्रियां" परमाणु के गुण हैं (प्रोटॉन की संख्या, न्यूट्रॉन की संख्या, परमाणु कितना दबा हुआ है, आदि), और "स्वाद" अल्फा कण बनने की संभावना है।

उन्होंने यह कैसे किया: तीन-चरणीय रेसिपी

सेटअप (भौतिकी): उन्होंने एक मानक भौतिकी मॉडल (जिसे CPPM कहा जाता है) का उपयोग करके यह गणना की कि अल्फा क्षय क्या होना चाहिए यदि "कमजोर बिंदु" की संभावना एकदम सटीक होती।
रियलिटी चेक: उन्होंने अपनी गणना की तुलना वास्तविक दुनिया के प्रयोगात्मक डेटा से की। दोनों के बीच के अंतर ने उन्हें बताया कि 498 अलग-अलग परमाणुओं के लिए वास्तविक प्रीफॉर्मेशन फैक्टर वास्तव में क्या था।
AI का सबक: उन्होंने इन 498 उदाहरणों को TabPFN शेफ में डाला। AI ने परमाणु "सामग्रियों" को देखा और उन जटिल, छिपे हुए नियमों को सीखा जो यह निर्धारित करते हैं कि अल्फा कण के बनने की कितनी संभावना है।

उन्होंने क्या खोजा: "ओड-ईवन" (विषम-सम) नृत्य

AI ने केवल नंबर ही नहीं निकाले; इसने उसके पीछे की भौतिकी को सीखा। इसने ऐसे पैटर्न खोजे जिन्हें मनुष्य पहले से ही संदिग्ध मानते थे लेकिन पूरी तरह से गणना करने में संघर्ष करते थे:

ओड-ईवन स्टैगरिंग (विषम-सम उतार-चढ़ाव): एक डांस फ्लोर की कल्पना करें। यदि हर कोई जोड़ा बना हुआ है (प्रोटॉन और न्यूट्रॉन की सम संख्या), तो नृत्य सुचारू और आसान है। लेकिन यदि कोई एक अकेला रह जाता है (विषम संख्या), तो नृत्य अजीब और कठिन हो जाता है। AI ने पाया कि जिन परमाणुओं में "अयुग्मित" (unpaired) कण होते हैं, उनमें अल्फा कण बनने की संभावना बहुत कम होती है। यदि आपके नर्तकों में से एक का साथी गायब है, तो चार लोगों का समूह बनाना कठिन होता है।
शेल क्लोजर (Shell Closures): परमाणुओं में कणों की "जादुगरिक संख्याएं" (magic numbers) होती हैं जो उन्हें अतिरिक्त स्थिरता प्रदान करती हैं, जैसे बुककेस में एक भरी हुई शेल्फ। AI ने सीखा कि जब कोई परमाणु इन जादुगरिक संख्याओं के करीब होता है, तो "कमजोर बिंदु" बनना बहुत कठिन होता है, जिससे परमाणु अधिक समय तक टिका रहता है।

परिणाम: सटीक भविष्यवाणियां

जब लेखकों ने AI की भविष्यवाणियों का उपयोग यह गणना करने के लिए किया कि ये परमाणु कितने समय तक जीवित रहेंगे (उनकी हाफ-लाइफ), तो परिणाम अद्भुत थे:

पुराना तरीका: AI के बिना, उनकी भविष्यवाणियां बहुत बड़े अंतर से गलत थीं (जैसे 10 साल के जीवनकाल का अनुमान लगाना और 5 साल की गलती होना)।
नया तरीका: AI के साथ, भविष्यवाणियां अविश्वसनीय रूप से सटीक हो गईं, जिससे त्रुटि में लगभग 90% की कमी आई।

क्रिस्टल बॉल: सुपरहेवी तत्वों की भविष्यवाणी

सबसे दिलचस्प बात? AI से उन तत्वों के व्यवहार की भविष्यवाणी करने के लिए कहा गया जो इतने भारी और अस्थिर हैं कि वे प्रकृति में शायद ही अस्तित्व रखते हैं (तत्व 117 से 120)।

AI ने भविष्यवाणी की कि इन सुपर-हेवी परमाणुओं के लिए, न्यूट्रॉन की एक विशिष्ट संख्या (N = 184) एक "सुपर-मैजिक नंबर" के रूप में कार्य करती है। यह बुककेस में एक छिपी हुई शेल्फ खोजने जैसा है जो किताबों को पूरी तरह से स्थिर रखती है। यह सुझाव देता है कि यदि वैज्ञानिक ठीक 184 न्यूट्रॉन के साथ एक परमाणु बना सकते हैं, तो यह आश्चर्यजनक रूप से स्थिर हो सकता है और अपने पड़ोसियों की तुलना में अधिक समय तक टिक सकता है।

मुख्य निष्कर्ष

यह शोध पत्र भौतिकी में मशीन लर्निंग की एक जीत है। यह दिखाता है कि ब्रह्मांड का वर्णन करने के लिए केवल जटिल गणितीय सूत्र बनाने के बजाय, हम कंप्यूटर को डेटा में पैटर्न को "महसूस" करना सिखा सकते हैं।

लाखों सूप चख चुके एक "शेफ" का उपयोग करके, शोधकर्ता न केवल एक नए, विदेशी सूप (सुपरहेवी परमाणु) के स्वाद की सटीक भविष्यवाणी करने में सक्षम रहे, बल्कि यह भी अनुमान लगा सके कि स्थिरता का अगला "जादुगरिक नंबर" कहाँ स्थित है। यह हमारे ब्रह्मांड के अदृश्य निर्माण खंडों को देखने का एक नया तरीका है।

यहाँ शोध पत्र "Tabular Prior-data Fitted Network (TabPFN) पर आधारित $\alpha$ -कण पूर्व-निर्माण कारक (preformation factor) का व्यवस्थित अध्ययन" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

$\alpha$ -क्षय अर्ध-आयु (half-life) अस्थिर परमाणु नाभिकों की संरचना को समझने के लिए एक महत्वपूर्ण अवलोकन है, विशेष रूप से सुपरहेवी (अतिभारी) क्षेत्र में। अर्ध-आयु ( $T_{1/2}$ ) की सैद्धांतिक गणना गामा सिद्धांत (Gamow theory) के क्वांटम टनलिंग पर आधारित है, जिसे इस प्रकार व्यक्त किया जाता है:
$T_{1/2} = \frac{\ln 2}{\lambda} = \frac{\ln 2}{P_\alpha \nu P}$
जहाँ $\nu$ आक्रमण आवृत्ति (assault frequency) है, $P$ अवरोध भेदन प्रायिकता (barrier penetration probability) है, और $P_\alpha$ $\alpha$ -कण पूर्व-निर्माण कारक (preformation factor) है।

मुख्य चुनौतियाँ:

$P_\alpha$ में अनिश्चितता: पारंपरिक रूप से, $P_\alpha$ को एक अनुभवजन्य स्थिरांक (empirical constant) माना जाता है या अर्ध-अनुभवजन्य सूत्रों से प्राप्त किया जाता है। यह धारणा जटिल नाभिकीय संरचना प्रभावों को पकड़ने में विफल रहती है, विशेष रूप से बंद कोशों (जैसे $Z=82, N=126$ ) के पास और विषम-A (odd-A) या विषम-विषम (odd-odd) नाभिकों में, जिससे सैद्धांतिक और प्रयोगात्मक अर्ध-आयुओं के बीच महत्वपूर्ण विसंगतियां उत्पन्न होती हैं।
मौजूदा ML की सीमाएँ: यद्यपि मशीन लर्निंग (ML) का उपयोग $\alpha$ -क्षय के लिए किया गया है, पिछले कई अध्ययनों में प्रत्यक्ष शिक्षण (सीधे अर्ध-आयु की भविष्यवाणी करना) का उपयोग किया गया या विशिष्ट डेटासेट पर व्यापक पुन: प्रशिक्षण (retraining) की आवश्यकता पड़ी। एक ऐसे तरीके की आवश्यकता है जो सीमित प्रयोगात्मक नाभिकीय डेटा के बावजूद, ओवरफिटिंग के बिना, नाभिकीय संरचना गुणों और पूर्व-निर्माण कारक के बीच अंतर्निहित भौतिक मैपिंग को प्रभावी ढंग से सीख सके।

2. कार्यप्रणाली (Methodology)

लेखक Coulomb and Proximity Potential Model (CPPM) और Tabular Prior-data Fitted Network (TabPFN) को संयोजित करने वाला एक हाइब्रिड दृष्टिकोण प्रस्तावित करते हैं।

A. प्रयोगात्मक पूर्व-निर्माण कारकों का निष्कर्षण

ML मॉडल को प्रशिक्षित करने के लिए, लेखकों ने पहले CPPM ढांचे का उपयोग करके 498 नाभिकों (172 सम-सम (even-even), 261 विषम-A (odd-A), 65 विषम-विषम (odd-odd)) के लिए "प्रयोगात्मक" $P_\alpha$ मान ( $P_\alpha^{exp}$ ) निकाले:

सैद्धांतिक आधार रेखा (Theoretical Baseline): उन्होंने $P_\alpha = 1$ मानते हुए CPPM का उपयोग करके सैद्धांतिक अर्ध-आयु ( $T_{1/2}^{cal}$ ) की गणना की, जिसमें नाभिकीय, कूलम्ब और सेंट्रीफ्यूगल क्षमताएं शामिल हैं।
निष्कर्षण: प्रयोगात्मक अर्ध-आयु ( $T_{1/2}^{exp}$ ) का उपयोग करके, उन्होंने संबंध $P_\alpha^{exp} = \frac{T_{1/2}^{cal}}{T_{1/2}^{exp}}$ के माध्यम से $P_\alpha^{exp}$ प्राप्त किया।
विरूपण (Deformation): गणनाएँ गोलाकार और विकृत (deformed) क्षमता (क्वाड्रपोल विरूपण $\beta_2$ को शामिल करते हुए) दोनों के लिए की गईं ताकि मजबूती सुनिश्चित हो सके।

B. TabPFN मॉडल

एक मानक न्यूरल नेटवर्क को शून्य से प्रशिक्षित करने के बजाय, लेखकों ने TabPFN का उपयोग किया, जो कि स्ट्रक्चरल कॉज़ल मॉडल्स (SCMs) के माध्यम से लाखों सिंथेटिक डेटासेट पर पूर्व-प्रशिक्षित एक ट्रांसफॉर्मर-आधारित फाउंडेशन मॉडल है।

इन-कॉन्टेक्स्ट लर्निंग (ICL): TabPFN के लिए ग्रेडिएंट-आधारित पुन: प्रशिक्षण की आवश्यकता नहीं होती है। यह प्रदान किए गए डेटासेट को संदर्भ (context) के रूप में उपयोग करके इनपुट विशेषताओं से लक्ष्य लेबल ( $P_\alpha$ ) के बीच मैपिंग को सीधे फॉरवर्ड पास के दौरान सीखता है।
इनपुट विशेषताएँ (Input Features): मॉडल को 9 भौतिक डिस्क्रिप्टर्स दिए गए:
1. द्रव्य संख्या ( $A$ )
2. प्रोटॉन संख्या ( $Z$ )
3. न्यूट्रॉन संख्या ( $N$ )
4. $\alpha$ -क्षय ऊर्जा ( $Q_\alpha$ )
5. न्यूनतम कक्षीय कोणीय संवेग ( $l$ )
6. क्वाड्रपोल विरूपण ( $\beta_2$ )
7. प्रोटॉन पैरिटी ( $Z_p$ )
8. न्यूट्रॉन पैरिटी ( $N_p$ )
9. पेयरिंग प्रभाव ( $\delta$ )

C. सत्यापन रणनीति (Validation Strategy)

प्रशिक्षण/परीक्षण विभाजन: प्रशिक्षण के लिए 399 नाभिक, परीक्षण के लिए 99।
एक्सट्रपलेशन (Extrapolation): मॉडल का परीक्षण NUBASE2020 से 41 नए मूल्यांकित नाभिकों (Z > 104) पर किया गया ताकि अज्ञात क्षेत्रों में सामान्यीकरण (generalization) का आकलन किया जा सके।
सुपरहेवी भविष्यवाणी: मॉडल ने $Z = 117–120$ वाले सुपरहेवी नाभिकों के लिए $P_\alpha$ की भविष्यवाणी की।

3. मुख्य योगदान (Key Contributions)

TabPFN का नवीन अनुप्रयोग: यह पूर्व-प्रशिक्षित कार्यों के बिना छोटे-से-मध्यम टेबुलर डेटासेट पर इसकी प्रभावकारिता प्रदर्शित करते हुए, नाभिकीय पूर्व-निर्माण कारकों के लिए TabPFN फाउंडेशन मॉडल का पहला अनुप्रयोग है।
व्यवस्थित विशेषता विश्लेषण: अध्ययन ने विशिष्ट नाभिकीय डिस्क्रिप्टर्स (पेयरिंग, पैरिटी, विरूपण, कोणीय संवेग) के प्रभाव को व्यवस्थित रूप से मापा, जिससे इष्टतम विशेषता सेट (TabPFN12) की पहचान हुई।
भौतिक अंतर्दृष्टि निष्कर्षण: मॉडल ने इनपुट में स्पष्ट शैल-करेक्शन पदों के बिना, जटिल भौतिक घटनाओं जैसे विषम-सम (odd-even) स्टैगरिंग (OES) और शैल क्लोजर (shell closure) प्रभावों को सफलतापूर्वक कैप्चर किया।
बेहतर अर्ध-आयु भविष्यवाणियाँ: ML-व्युत्पन्न $P_\alpha$ को CPPM में एकीकृत करके, लेखकों ने प्रयोगात्मक डेटा की तुलना में अनुमानित अर्ध-आयुओं के रूट-मीन-स्क्वायर डेविएशन (RMSD) में भारी कमी हासिल की।

4. मुख्य परिणाम (Key Results)

A. मॉडल प्रदर्शन

सटीकता: इष्टतम मॉडल (TabPFN12, सभी 9 विशेषताओं के साथ) ने पूरे डेटासेट के लिए $\log_{10} P_\alpha$ के लिए $\sigma_{rms} = 0.211$ का रूट-मीन-स्क्वायर डेविएशन प्राप्त किया।
तुलना: यह संदर्भ [63] के अनुभवजन्य सूत्र की तुलना में 63.8% सुधार और संदर्भ [44] की तुलना में 66.8% सुधार दर्शाता है।
विशेषता महत्व: पेयरिंग प्रभाव ( $\delta$ ), पैरिटी ( $Z_p, N_p$ ), और विरूपण ( $\beta_2$ ) को शामिल करने से त्रुटियां काफी कम हो गईं। उदाहरण के लिए, $\beta_2$ जोड़ने से $\sigma_{rms}$ , 0.247 से घटकर 0.216 हो गया।

B. खोजी गई भौतिक सह-संबंध (Physical Correlations)

रैखिक सह-संबंध: मॉडल ने $\log_{10} P_\alpha$ और $Q_\alpha^{-1/2}$ के बीच एक रैखिक संबंध की पुष्टि की (जो गेगर-नटाल नियम को पूर्व-निर्माण कारकों तक विस्तारित करता है) और फ्रैगमेंटेशन पोटेंशियल ( $V_{frag}$ ) के साथ एक नकारात्मक रैखिक सह-संबंध दिखाया।
विषम-सम स्टैगरिंग (OES): मॉडल ने OES पैटर्न को सफलतापूर्वक पुनरुत्पादित किया, यह दिखाते हुए कि अनपेय न्यूक्लिऑन (विषम $N$ या विषम $Z$ ) सम-सम पड़ोसियों की तुलना में $P_\alpha$ को कम करते हैं।
शैल प्रभाव (Shell Effects): शैल क्लोजर ( $Z=82, N=126$ ) पर $P_\alpha$ में स्पष्ट परिवर्तन देखे गए, जो डेटा से आंतरिक रूप से शैल संरचना को सीखने की मॉडल की क्षमता की पुष्टि करते हैं।

C. अर्ध-आयु भविष्यवाणियाँ

प्रशिक्षण सेट: $P_\alpha$ को शामिल करने से अर्ध-आयु भविष्यवाणियों का RMSD, $P_\alpha$ के बिना (2.028) से घटकर 0.211 (89.5% सुधार) हो गया।
एक्सट्रपलेशन: 41 नए नाभिकों (Z > 104) के लिए, RMSD 2.920 से सुधरकर 0.771 हो गया, जो मजबूत सामान्यीकरण क्षमताओं को प्रदर्शित करता है।
विकृत क्षमताएं: विकृत कूलम्ब + वुड्स-सॉक्सन क्षमता (Woods-Saxon potentials) लागू करने पर भी दृष्टिकोण मजबूत रहा, जिससे $\sigma_{rms} = 0.232$ प्राप्त हुआ।

D. सुपरहेवी नाभिक ( $Z=117-120$ )

मॉडल ने सुपरहेवी आइसोटोप के लिए $P_\alpha$ की भविष्यवाणी की, जिससे $N=184$ और $N=186$ के बीच अर्ध-आयु में तीव्र गिरावट का पता चला।
जादुई संख्या का सुझाव: यह तीव्र परिवर्तन यह सुझाव देता है कि $N=184$ सुपरहेवी क्षेत्र में एक संभावित नया न्यूट्रॉन जादुई नंबर (neutron magic number) है।

5. महत्व (Significance)

नाभिकीय मॉडलों को परिष्कृत करना: यह अध्ययन प्रदर्शित करता है कि मशीन लर्निंग decays डेटा से उच्च-सटीकता वाली नाभिकीय संरचना जानकारी (जैसे पूर्व-निर्माण कारक) को सीधे निकाल सकती है, जो अनुभवजन्य सूत्रों का एक सटीक विकल्प प्रदान करती है।
प्रयोगों का मार्गदर्शन: सुपरहेवी नाभिकों ( $Z=117-120$ ) के लिए विश्वसनीय भविष्यवाणियाँ भविष्य के संश्लेषण प्रयोगों, विशेष रूप से स्थिरता द्वीपों (stability islands) और $N=184$ शैल क्लोजर की खोज के लिए महत्वपूर्ण मार्गदर्शन प्रदान करती हैं।
पद्धतिगत प्रगति: यह TabPFN को नाभिकीय भौतिकी के लिए एक शक्तिशाली उपकरण के रूप में स्थापित करता है, जो कम कम्प्यूटेशनल लागत के साथ छोटे डेटासेट को संभालने और जटिल गैर-रेखीय संबंधों को कैप्चर करने में सक्षम है, जिससे अन्य नाभिकीय गुणों (द्रव्यमान, त्रिज्या, अभिक्रिया दर) के अनुप्रयोग का मार्ग प्रशस्त होता है।