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

तकनीकी सारांश: प्रभावी लिक्विड ड्रॉप मॉडल पर आधारित $\alpha$-क्षय अर्ध-आयुों का भौतिकी-निर्देशित अवशिष्ट सुधार

समस्या विवरण
भारी और अति-भारी नाभिकों में $\alpha$-क्षय अर्ध-आयुओं (half-lives) की सटीक भविष्यवाणी करना परमाणु संरचना अध्ययन, स्थिरता जांच और नए न्यूक्लाइड्स की पहचान के लिए महत्वपूर्ण है। जबकि प्रभावी लिक्विड ड्रॉप मॉडल (ELDM) अवरोध-पारगमन (barrier-penetration) प्रक्रिया का वर्णन करने के लिए एक भौतिक रूप से सहज स्थूल ढांचा (macroscopic framework) प्रदान करता है, इसमें कुछ सीमाएं हैं। एक स्थूल मॉडल के रूप में, ELDM सूक्ष्म परमाणु-संरचना प्रभावों जैसे कि परमाणु विरूपण (nuclear deformation), कोश संरचना (shell structures), पेयरिंग सहसंबंध (pairing correlations) और कोणीय संवेग बाधा (angular-momentum hindrance) को पूरी तरह से शामिल नहीं कर पाता है। फलस्वरूप, ELDM भविष्यवाणियों और प्रयोगात्मक डेटा के बीच व्यवस्थित अवशिष्ट विचलन (residual deviations) बने रहते हैं, विशेष रूप से विषम-$A$ (odd-$A$) और विषम-विषम (odd-odd) प्रणालियों के लिए। विशुद्ध रूप से डेटा-संचालित मशीन लर्निंग (ML) दृष्टिकोण अक्सर भौतिक व्याख्यात्मकता (physical interpretability) की कमी रखते हैं, जबकि पारंपरिक सैद्धांतिक मॉडल उच्च-आयामी डेटासेट में छिपे जटिल गैर-रेखीय सहसंबंधों को पकड़ने में संघर्ष करते हैं।

कार्यप्रणाली
लेखक एक भौतिकी-निर्देशित अवशिष्ट-सुधार ढांचे का प्रस्ताव करते हैं जो ELDM को मशीन लर्निंग के साथ एकीकृत करता है। यह कार्यप्रणाली तीन चरणों में आगे बढ़ती है:

1. स्थूल आधार (ELDM): सैद्धांतिक अर्ध-आयुओं ($T_{1/2}^{ELDM}$) की गणना करने के लिए ELDM का उपयोग किया जाता है। इस मॉडल में, $\alpha$ क्षय को एक विखंडन-समान प्रक्रिया के रूप में माना जाता है जहाँ जनक नाभिक एक द्विनाभिकीय विन्यास (उत्सर्जित $\alpha$ कण और पुत्री नाभिक) में विकसित होता है। अवरोध पारगम्यता (barrier penetrability) की गणना एक आयामी सामूहिक निर्देशांक (one-dimensional collective coordinate) के साथ अर्ध-शास्त्रीय WKB सन्निकटन का उपयोग करके की जाती है, जिसमें आंतरिक लिक्विड-ड्रॉप अवरोधों और बाहरी कूलम्ब/सेंट्रीफ्यूगल अवरोधों को ध्यान में रखा जाता है।
2. अवशिष्ट परिभाषा (Residual Definition): ELDM भविष्यवाणी और प्रयोगात्मक डेटा के बीच के अंतर को अवशिष्ट मात्रा के रूप में परिभाषित किया गया है: $\Delta = \log_{10} T_{1/2}^{ELDM} - \log_{10} T_{1/2}^{exp}$।
3. मशीन लर्निंग सुधार: दो लघु-नमूना ML मॉडल, XGBoost (ग्रेडिएंट-बूस्टेड डिसीजन ट्रीज़) और TabPFN (टेबुलर डेटा के लिए एक संभाव्य फाउंडेशन मॉडल), को अवशिष्ट $\Delta$ की भविष्यवाणी करने के लिए प्रशिक्षित किया गया है। यह ढांचा वैश्विक क्षय व्यवहार और लुप्त सूक्ष्म प्रभावों को चित्रित करने के लिए कई भौतिक रूप से प्रेरित इनपुट डिस्क्रिप्टर्स (descriptors) के समूहों का उपयोग करता है:
   • आधारभूत (Basic): प्रोटॉन संख्या ($Z$), न्यूट्रॉन संख्या ($N$), और क्षय ऊर्जा ($Q_\alpha$)।
   • विरूपण (Deformation): क्वाड्रुपोल विरूपण पैरामीटर $\beta_2$ से प्राप्त एक हस्ताक्षरित विरूपण डिस्क्रिप्टर ($x_{def}$)।
   • गेगर-नटल (Geiger-Nuttall): पद $Z/\sqrt{Q_\alpha}$।
   • कोणीय संवेग (Angular Momentum): सेंट्रीफ्यूगल बाधा को ध्यान में रखने के लिए न्यूनतम कक्षीय कोणीय संवेग ($l_{min}$)।
     चार फीचर संयोजनों (term1 से term4) का परीक्षण किया गया, जो क्रमिक रूप से इन डिस्क्रिप्टर्स को जोड़ते हैं।

प्रमुख योगदान

• हाइब्रिड ढांचा: यह शोध पत्र एक ऐसी रणनीति पेश करता है जहाँ ELDM भौतिक बाधाओं और वैश्विक रुझान को प्रदान करता है, जबकि ML विशिष्ट अवशिष्ट विचलन को सीखता है जो सूक्ष्म संरचनात्मक प्रभावों से उत्पन्न होते हैं। यह सटीकता को बढ़ाते हुए भौतिक व्याख्यात्मकता को सुरक्षित रखता है।
• फीचर इंजीनियरिंग: भौतिक रूप से प्रेरित डिस्क्रिप्टर्स (विरूपण, गेगर-नटल फीचर्स, और $l_{min}$) का व्यवस्थित निर्माण यह सुनिश्चित करता है कि मॉडल स्पष्ट रूप से उन विशिष्ट भौतिक तंत्रों को लक्षित करे जो आधारभूत ELDM में अनुपस्थित हैं।
• मॉडल तुलना: NUBASE2020 और AME2020 से प्राप्त डेटासेट पर XGBoost और TabPFN के बीच एक व्यवस्थित तुलना की गई है, जो भारी और अति-भारी नाभिकों को कवर करती है।

परिणाम

• प्रदर्शन सुधार: सभी ML-आधारित अवशिष्ट सुधारों ने ELDM बेसलाइन की भविष्य कहनेवाला सटीकता में महत्वपूर्ण सुधार किया। "term3" फीचर सेट (जिसमें $Z, N, Q_\alpha, x_{def}, Z/\sqrt{Q_\alpha}, l_{min}$ शामिल है) वाले TabPFN मॉडल ने सर्वश्रेष्ठ प्रदर्शन किया।
• मात्रात्मक मेट्रिक्स: TabPFN-term3 मॉडल ने RMSE को 0.567 (ELDM बेसलाइन) से घटाकर 0.348 (38.60% सुधार) और MAE को 0.417 से घटाकर 0.248 (40.46% सुधार) कर दिया।
• फीचर महत्व: फीचर-एब्लेशन विश्लेषण से पता चला कि विरूपण-संबंधित मात्राओं और न्यूनतम कक्षीय कोणीय संवेग का समावेश अत्यंत महत्वपूर्ण था। विरूपण डिस्क्रिप्टर्स (term4) को हटाने से प्रदर्शन में गिरावट आई, जिससे पुष्टि हुई कि परमाणु विरूपण प्रभाव अवशिष्ट विचलन में महत्वपूर्ण योगदान देते हैं।
• अवशिष्ट वितरण: सुधारा गया भविष्यकथन बेसलाइन की तुलना में शून्य के आसपास काफी अधिक केंद्रित अवशिष्ट वितरण दिखाता है, जिसमें बड़े विचलन से जुड़े 'लॉन्ग-टेल' क्षेत्र का पर्याप्त दमन हुआ है।
• मॉडल व्यवहार: XGBoost की तुलना में TabPFN ने सीमित डेटा से जटिल गैर-रेखीय अवशिष्ट संरचनाओं को सीखने की बेहतर क्षमता और अधिक स्थिर प्रदर्शन प्रदर्शित किया।

महत्व
लेखक का दावा है कि यह भौतिकी-निर्देशित अवशिष्ट-सुधार ढांचा उच्च-परिशुद्धता $\alpha$-क्षय अर्ध-आयु भविष्यवाणी के लिए एक व्यवहार्य रणनीति प्रदान करता है। अपने स्थूल भौतिक आधार को त्याग बिना सूक्ष्म परमाणु-संरचना प्रभावों की भरपाई करके, यह दृष्टिकोण भौतिक व्याख्यात्मकता बनाए रखते हुए उच्च सटीकता प्राप्त करता है। यह अध्ययन सुझाव देता है कि स्थूल मॉडलों में अवशिष्ट विचलन में व्यवस्थित सूक्ष्म जानकारी होती है जिसे लघु-नमूना मशीन लर्निंग के माध्यम से प्रभावी ढंग से निकाला जा सकता है। इस हाइब्रिड कार्यप्रणाली को अन्य परमाणु क्षय प्रक्रियाओं और परमाणु संरचना समस्याओं के भविष्य के अन्वेषणों के लिए एक संभावित मार्गदर्शक के रूप में प्रस्तुत किया गया है।