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 ($\mathrm{TabPFN}$)

परमाणु दृश्य ब्रह्मांड के मौलिक निर्माण खंड हैं, फिर भी उनके केंद्र हमेशा स्थिर नहीं होते हैं। एक परमाणु के हृदय में, प्रोटॉन और न्यूट्रॉन शक्तिशाली बलों द्वारा एक साथ थामे जाते हैं, लेकिन जब संतुलन बिगड़ता है, तो नाभिक अस्थिर हो सकता है और अधिक आरामदायक अवस्था खोजने के लिए कणों को त्याग सकता है। यह प्रक्रिया, जिसे रेडियोधर्मी क्षय (रेडियोएक्टिव डिके) कहा जाता है, एक प्राकृतिक घड़ी है जो पदार्थ के बिल्कुल किनारे पर टिक-टिक करती रहती है। कुछ परमाणु एक अकेला प्रोटॉन त्यागते हैं, अन्य दो प्रोटॉनों का जोड़ा छोड़ते हैं, जबकि कई दो प्रोटॉन और दो न्यूट्रॉन के एक सघन समूह को उत्सर्जित करते हैं, जिसे अल्फा कण के रूप में जाना जाता है। दुर्लभ मामलों में, कणों के और भी बड़े समूह अलग हो जाते हैं। यह भविष्यवाणी करना कि ये अस्थिर परमाणु क्षय होने से पहले ठीक कितने समय तक जीवित रहेंगे, परमाणु भौतिकी में एक केंद्रीय चुनौती है, क्योंकि यह पदार्थ की संरचना को नियंत्रित करने वाले छिपे हुए नियमों को प्रकट करता है और वैज्ञानिकों को आवर्त सारणी (पीरियोडिक टेबल) की सीमाओं को समझने में मदद करता है।

लगभग एक सदी से, भौतिकविदों ने इन जीवनकाल का अनुमान लगाने के लिए गणितीय मॉडलों पर भरोसा किया है, जिसमें अक्सर नाभिक को एक सरल गोले के रूप में माना जाता है और यह गणना की जाती है कि किसी कण के ऊर्जा अवरोध के माध्यम से टनलिंग करके बाहर निकलने की कितनी संभावना है। हालांकि ये पारंपरिक मॉडल बुनियादी भौतिकी को पकड़ लेते हैं, लेकिन वे प्रयोगशालाओं में किए गए सटीक मापों के साथ मेल खाने में अक्सर संघर्ष करते हैं, विशेष रूप से जटिल, अजीब आकार के नाभिकों या दुर्लभ क्षय प्रकारों के मामले में। इस अंतराल को पाटने के लिए, शोधकर्ताओं की एक टीम ने एक नया दृष्टिकोण विकसित किया है जो एक क्लासिक भौतिक मॉडल को आधुनिक आर्टिफिशियल इंटेलिजेंस टूल के साथ जोड़ता है। स्थापित परमाणु भौतिकी के नियमों को एक मशीन लर्निंग सिस्टम के साथ मिलाकर, जो छोटे डेटासेट से सीखने के लिए डिज़ाइन किया गया है, उन्होंने एक ऐसी विधि बनाई है जो अभूतपूर्व सटीकता के साथ क्षय होने वाले परमाणुओं के जीवनकाल की भविष्यवाणी करती है।

शोधकर्ताओं ने चार अलग-अलग तरीकों पर ध्यान केंद्रित किया जिनसे अस्थिर परमाणु अपनी अतिरिक्त ऊर्जा को त्यागते हैं: एक प्रोटॉन का उत्सर्जन, दो प्रोटॉनों का एक साथ निकलना, एक अल्फा कण का निष्कासन, और कणों के बड़े समूहों का उत्सर्जन। उन्होंने 583 विभिन्न रेडियोधर्मी नाभिकों का डेटा एकत्र किया, जिसमें दो-प्रोटॉन उत्सर्जकों के दुर्लभ उदाहरण, दर्जनों प्रोटॉन उत्सर्जक, सैकड़ों अल्फा उत्सर्जक और क्लस्टर उत्सर्जकों का एक चयन शामिल था। उनका शुरुआती बिंदु एक प्रसिद्ध भौतिक ढांचा था जिसे 'डिफॉर्मड गैमो-लाइक मॉडल' (deformed Gamow-like model) कहा जाता है। यह मॉडल नाभिक को एक पूर्ण गोले के रूप में नहीं, बल्कि एक ऐसे आकार के रूप में मानता है जिसे खींचा या दबाया जा सकता है, जो यह प्रभावित करता है कि कण कितनी आसानी से बाहर निकल सकते हैं। मॉडल उस समय की गणना करता है जो एक कण को परमाणु अवरोध के माध्यम से टनल करने में लगता है, लेकिन यह वास्तविकता से मेल खाने के लिए कुछ समायोज्य संख्याओं पर निर्भर करता है, जैसे कि नाभिक का प्रभावी आकार और एक कारक जो इस बात का हिसाब रखता है कि प्रोटॉन और न्यूट्रॉन की आंतरिक व्यवस्था प्रक्रिया को कैसे धीमा कर सकती है।

इन गणनाओं को बेहतर बनाने के लिए, टीम ने 'टेबुलर प्रायोर-डेटा फिटेड नेटवर्क' (Tabular Prior-data Fitted Network) नामक एक परिष्कृत मशीन लर्निंग सिस्टम पेश किया। कई आर्टिफिशियल इंटेलिजेंस सिस्टम के विपरीत जिन्हें सीखने के लिए भारी मात्रा में डेटा की आवश्यकता होती है, यह उपकरण विशेष रूप से छोटे डेटासेट से उच्च-सटीक भविष्यवाणियां करने के लिए डिज़ाइन किया गया है, जो इसे परमाणु भौतिकी के लिए आदर्श बनाता है जहाँ प्रयोगात्मक डेटा दुर्लभ हो सकता है। शोधकर्ताओं ने केवल कंप्यूटर को उत्तरों का अनुमान लगाने के लिए नहीं छोड़ा; इसके बजाय, उन्होंने AI का उपयोग उन सूक्ष्म पैटर्न को सीखने के लिए किया जिन्हें भौतिक मॉडल चूक गया था। उन्होंने सिस्टम में नाभिक के बारे में जानकारी डाली, जैसे कि प्रोटॉन और न्यूट्रॉन की संख्या, क्षय के दौरान मुक्त होने वाली ऊर्जा, और नाभिक का आकार। AI ने फिर एक विशिष्ट सुधार कारक (करेक्शन फैक्टर) की भविष्यवाणी करना सीखा जो सैद्धांतिक गणना को वास्तव में प्रयोगों में देखे गए परिणामों से मेल खाने के लिए समायोजित करता है।

उनके हाइब्रिड दृष्टिकोण के परिणाम आश्चर्यजनक थे। जब शोधकर्ताओं ने अपने नए तरीके का परीक्षण प्रयोगात्मक डेटा के विरुद्ध किया, तो भविष्यवाणियां सभी चार क्षय मोड में काफी अधिक सटीक हो गईं। एकल प्रोटॉन के उत्सर्जन के लिए, भविष्यवाणियों में त्रुटि भौतिक मॉडल की तुलना में 80 प्रतिशत से अधिक गिर गई। अल्फा क्षय के लिए, जो अध्ययन किए जाने वाले रेडियोधर्मी क्षय के सबसे सामान्य रूपों में से एक है, त्रुटि लगभग 88 प्रतिशत कम हो गई। उनके मॉडल का सबसे सफल संस्करण, जिसने अनुकूलित भौतिक मापदंडों को AI सुधारों के साथ जोड़ा, ने एक ऐसा स्तर की सटीकता प्राप्त की जो बिना सुधारा गया भौतिक मॉडल की तुलना में लगभग 82 प्रतिशत बेहतर थी। यह सुधार केवल एक सांख्यिकीय संयोग नहीं था; मॉडल ने उस सटीकता को बनाए रखा जब इसका परीक्षण उस डेटा पर किया गया जिसे इसने पहले कभी नहीं देखा था, जिससे यह सिद्ध हुआ कि इसने केवल उदाहरणों को रटा नहीं था, बल्कि क्षय के अंतर्निहित नियमों को सीखा था।

संख्याओं को सही प्राप्त करने के अलावा, नया मॉडल उन जटिल व्यवहारों को सफलतापूर्वक पुनरुत्पादित करता है जिन्हें सरल सूत्रों के साथ पकड़ना कठिन होता है। उदाहरण के लिए, इसने सटीक रूप से वर्णन किया कि कैसे अल्फा-उत्सर्जक परमाणुओं का जीवनकाल न्यूट्रॉन की संख्या बढ़ने के साथ बदलता है, जिसमें स्थिरता में अचानक उछाल भी शामिल है जो तब होता है जब नाभिक न्यूट्रॉन की एक विशिष्ट "जादुई" संख्या, जैसे कि 126, तक पहुँच जाता है। 'शेल-क्लोजर प्रभाव' को पकड़ने की यह क्षमता बताती है कि मॉडल ने नाभिक के संरचनात्मक विवरणों को अप्रत्यक्ष रूप से सीख लिया है, भले ही उन्हें उन नियमों के साथ स्पष्ट रूप से प्रोग्राम न किया गया हो। शोधकर्ताओं ने अपने परिष्कृत मॉडल का उपयोग उन परमाणुओं के जीवनकाल की भविष्यवाणी करने के लिए भी किया जिन्हें अभी तक प्रयोगशालाओं में देखा या मापा नहीं गया है, जिसमें दो-प्रोटॉन क्षय के संभावित उम्मीदवार और आवर्त सारणी के बिल्कुल किनारे पर स्थित सुपरहैवी तत्व शामिल हैं। ये भविष्यवाणियां भविष्य के प्रयोगों के लिए एक रोडमैप प्रदान करती हैं, जो वैज्ञानिकों को मार्गदर्शन देती हैं कि उन्हें पदार्थ के नए रूपों को कहाँ खोजना चाहिए।

यह अध्ययन दर्शाता है कि परमाणु भौतिकी का भविष्य पारंपरिक भौतिक सिद्धांतों और आधुनिक डेटा-संचालित उपकरणों के सावधानीपूर्वक एकीकरण में निहित है। क्वांटम यांत्रिकी के स्थापित नियमों का सम्मान करते हुए, मशीन लर्निंग को वास्तविक नाभिक की जटिलताओं के लिए सुधार करने की अनुमति देकर, शोधकर्ताओं ने परमाणु दुनिया की खोज के लिए एक शक्तिशाली नया उपकरण बनाया है। उनका कार्य यह दिखाता है कि मौलिक स्थिरांकों द्वारा शासित क्षेत्र में भी, परिष्करण की गुंजाइश बनी रहती है, और मानव अंतर्दृष्टि को आर्टिफिशियल इंटेलिजेंस के साथ मिलाने से ऐसे पैटर्न प्रकट हो सकते हैं जिन्हें अकेले उनमें से कोई भी नहीं खोज सकता था। यह हाइब्रिड ढांचा अस्थिर परमाणुओं के व्यवहार की भविष्यवाणी करने का एक विश्वसनीय तरीका प्रदान करता है, जो परमाणु स्थिरता की सीमाओं को मानचित्रित करने में मदद करता है और ब्रह्मांड को एक साथ थामे रखने वाले बलों की हमारी समझ को गहरा करता है।