Nonlocality Effect in the Tunneling of Alpha Radioactivity with the Aid of Machine Learning

Questo studio estende l'approccio a due potenziali per il decadimento alfa integrando l'effetto di non località e ottimizzando i risultati tramite modelli di machine learning (Decision Tree e XGBRegressor), ottenendo una significativa riduzione della deviazione standard e previsioni coerenti per le emivite di nuclei superpesanti rispetto a modelli empirici consolidati.

L'essenziale

Immagina di dover attraversare un muro spesso e solido. Secondo le leggi della fisica classica, se non hai abbastanza forza per romperlo, rimarrai bloccato per sempre. Ma la fisica quantistica ci dice che c'è un trucco: a volte, le particelle possono "teletrasportarsi" attraverso il muro, come fantasmi che attraversano i muri. Questo fenomeno si chiama effetto tunnel ed è esattamente ciò che succede quando un atomo pesante (come quelli che usiamo per creare nuovi elementi) emette una particella chiamata "alfa" per diventare più stabile.

Il problema è che calcolare quanto tempo ci mette questa particella a uscire (il suo "tempo di dimezzamento") è come cercare di indovinare il tempo di arrivo di un treno in un labirinto buio: è difficile e i vecchi metodi a volte sbagliano.

Ecco come questo studio, condotto da due ricercatori cinesi, ha usato l'intelligenza artificiale per risolvere il problema, spiegato in modo semplice:

1. Il Problema: Il Muro non è Fisso

Nella fisica classica, pensiamo alla particella alfa come a una pallina che rotola. Ma in realtà, quando è vicina al "muro" nucleare, la sua massa non è fissa come quella di una pallina da biliardo. È più come se la pallina diventasse un po' "liquida" o cambiasse peso mentre si muove. Questo fenomeno si chiama non-località.
I vecchi modelli di calcolo ignoravano questo cambiamento di peso, e quindi facevano previsioni un po' imprecise, come se cercassimo di calcolare la traiettoria di un pallone da calcio ignorando il vento.

2. La Soluzione: Tre "Allenatori" Virtuali (Machine Learning)

Gli autori hanno deciso di usare tre diversi tipi di "cervelli" artificiali (modelli di Machine Learning) per imparare a prevedere come cambia il peso della particella alfa in ogni singolo atomo. Immagina di avere tre allenatori sportivi diversi:

• Decision Tree (Albero Decisionale): È come un giocatore che prende decisioni basandosi su una serie di domande "Sì/No" molto precise (es. "È pesante? Sì. È veloce? No...").
• Random Forest (Foresta Casuale): È come un'intera squadra di giocatori che vota insieme. Prende molte decisioni diverse e sceglie quella più probabile.
• XGBRegressor: È un allenatore super-veloce e intelligente che impara dagli errori precedenti per diventare sempre meglio, come un atleta che si allena ogni giorno.

3. Il Risultato: Chi ha Vinto?

Hanno fatto allenare questi "cervelli" su un enorme database di 196 atomi diversi.

• Il modello Random Forest ha fatto un buon lavoro, ma non era il migliore.
• I modelli Decision Tree e XGBRegressor sono stati i campioni! Hanno ridotto l'errore di calcolo del 54% rispetto ai vecchi metodi. È come se prima sbagliassi il tiro a canestro 1 volta su 2, e ora sbagliassi solo 1 volta su 4.

4. Guardare nel Futuro: Gli Elementi Super-Pesanti

La parte più affascinante è che hanno usato questi modelli "addestrati" per prevedere il futuro. Hanno applicato le loro formule a 20 atomi super-pesanti (con numeri atomici 118 e 120) che sono stati creati solo di recente nei laboratori o che potrebbero essere creati in futuro.

Hanno scoperto che:

• Le previsioni del modello Decision Tree sono quasi identiche a quelle di un'altra formula famosa e molto rispettata (chiamata "New+D"). Questo dà molta fiducia ai risultati.
• Le previsioni suggeriscono che certi numeri di neutroni (178 e 184) potrebbero essere come "punti di forza" speciali nella struttura dell'atomo, rendendo questi elementi più stabili di quanto pensassimo.

In Sintesi

In parole povere, gli scienziati hanno preso un vecchio metodo per calcolare come gli atomi decadono, hanno aggiunto un dettaglio fisico spesso ignorato (il fatto che la particella cambia peso), e hanno usato l'intelligenza artificiale per "imparare" come gestire questo dettaglio per ogni singolo atomo.

Il risultato? Un calcolo molto più preciso che ci aiuta a capire meglio la struttura della materia e a prevedere quali nuovi elementi pesanti potremmo riuscire a creare nei laboratori futuri. È come passare da una mappa disegnata a mano con errori di prospettiva a una mappa GPS ad alta definizione: la strada è la stessa, ma ora sappiamo esattamente dove stiamo andando.

Sommario tecnico

Titolo

Effetto di Nonlocalità nel Tunneling della Radioattività Alfa con l'Ausilio del Machine Learning

1. Il Problema

Il decadimento alfa ($\alpha$) è un processo fondamentale nella fisica nucleare, descritto classicamente dalla teoria del tunneling quantistico. Tuttavia, i modelli teorici esistenti, come l'approccio a due potenziali (TPA - Two-Potential Approach), spesso presentano discrepanze rispetto ai dati sperimentali quando si tratta di calcolare le emivite dei nuclei pesanti e superpesanti.
Un fattore critico trascurato o semplificato in molti modelli è l'effetto di nonlocalità del potenziale nucleare. Questo effetto influenza la massa efficace della particella $\alpha$ durante il processo di tunneling. Tradizionalmente, la massa efficace è stata trattata in modo statico o con parametri aggiustati manualmente, il che limita la precisione predittiva, specialmente per i nuclei superpesanti sintetizzati di recente (es. Z=118, Z=120). L'obiettivo è ottimizzare i parametri di massa efficace dipendenti dalle coordinate per migliorare l'accordo tra teoria ed esperimento.

2. Metodologia

Gli autori hanno sviluppato un approccio ibrido che combina la fisica nucleare teorica con tecniche avanzate di apprendimento automatico (Machine Learning - ML).

• Quadro Teorico (TPA):

  • Utilizzo dell'approccio a due potenziali per calcolare l'emivita $T_{1/2}$.
  • Integrazione dell'effetto di nonlocalità definito da Medeiros et al., dove la massa efficace $\mu$ della particella $\alpha$ dipende da una funzione isotropa $\rho(r)$ che varia con la distanza radiale.
  • Il parametro chiave da ottimizzare è $\rho_S$, che modula la variazione di massa efficace.

• Strategia di Machine Learning:

  • Obiettivo: Sostituire la sintonizzazione manuale del parametro $\rho_S$ con un modello predittivo supervisionato.
  • Dataset: 196 nuclei pari-pari (da Z=52 a Z=118, con N $\ge$ 52). I valori target di $\rho_S$ sono stati ottenuti precedentemente minimizzando la differenza tra emivite calcolate e sperimentali.
  • Feature di Input: I numeri atomici ($Z$), i numeri di massa ($A$) e la quantità $\sqrt{Q_\alpha}$ (dove $Q_\alpha$ è l'energia di decadimento), basati sulla formula empirica di Royer.
  • Algoritmi ML Utilizzati:
    1. Decision Tree Regression (DT): Albero decisionale basato sull'importanza degli attributi (coefficiente di Gini).
    2. Random Forest Regression (RF): Ensemble di alberi decisionali addestrati su sottoinsiemi casuali di dati e caratteristiche (bagging).
    3. XGBRegressor (XG): Gradient Boosting estremo, ottimizzato per velocità e prestazioni tramite tecniche di boosting parallelo.
  • Addestramento: Ottimizzazione automatica degli iperparametri per minimizzare l'errore tra i valori predetti e quelli di riferimento.

3. Contributi Chiave

• Estensione del TPA: Integrazione sistematica dell'effetto di nonlocalità nell'approccio a due potenziali, ottimizzando la massa efficace per ogni singolo nucleo tramite ML.
• Confronto Algoritmico: Valutazione rigorosa di tre modelli ML classici per la fisica nucleare, dimostrando che modelli basati su alberi decisionali (in particolare DT e XG) superano i metodi tradizionali e altri approcci ML (come RF in questo contesto specifico).
• Predizione per Nuclei Superpesanti: Applicazione del modello ottimizzato per prevedere le emivite di decadimento $\alpha$ di 20 nuclei pari-pari con numeri atomici Z=118 e Z=120, regioni dove i dati sperimentali sono scarsi o assenti.

4. Risultati

• Miglioramento della Precisione:

  • L'inclusione dell'effetto di nonlocalità ottimizzato tramite ML ha ridotto significativamente la deviazione standard ($\sigma$) tra i dati teorici e sperimentali.
  • Rispetto al TPA standard (senza massa efficace dipendente dalle coordinate):
    • XGBRegressor: Riduzione del 53.7% in $\sigma$ (valore finale: 0.259).
    • Decision Tree (DT): Riduzione del 54.5% in $\sigma$ (valore finale: 0.264).
    • Random Forest (RF): Riduzione del 46.7% (valore finale: 0.306), mostrando prestazioni inferiori rispetto agli altri due.
  • I modelli DT e XG hanno raggiunto una coerenza superiore rispetto ad altri studi recenti che utilizzano Support Vector Machines (SVM).

• Analisi dei Nuclei Superpesanti (Z=118, Z=120):

  • Le previsioni delle emivite per i 20 nuclei target sono state confrontate con due modelli consolidati: il modello Deng-Zhang-Royer (DUR) e la nuova espressione empirica "New+D" (che include effetti di deformazione).
  • Consenso: Le previsioni del modello Decision Tree (DT) mostrano un'alta coerenza con il modello "New+D".
  • Deviazioni: Il modello XGBRegressor mostra alcune deviazioni rispetto agli altri due, suggerendo che, sebbene performante sulla calibrazione, potrebbe avere limiti nella generalizzazione per certi isotopi specifici.
  • Struttura Nucleare: I risultati predittivi indicano un picco di stabilità (minima emivita) a N=180 (probabile numero magico sottomagico) e un minimo relativo a N=186 (probabile numero magico), fornendo indizi sulla struttura dei gusci nucleari nella regione superpesante.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti significativo nell'integrazione tra intelligenza artificiale e fisica nucleare teorica:

1. Validazione Fisica: Dimostra che l'effetto di nonlocalità non è solo un dettaglio teorico, ma ha un impatto misurabile e cruciale sulla dinamica del tunneling alfa, migliorando la descrizione fisica del processo.
2. Strumento Predittivo: Fornisce uno strumento affidabile per guidare gli esperimenti di sintesi di nuovi elementi e isotopi superpesanti, offrendo stime di emivita più accurate rispetto ai modelli empirici tradizionali.
3. Metodologia Ibrida: Stabilisce un nuovo paradigma dove il ML non sostituisce la fisica, ma ottimizza i parametri fisici fondamentali (come la massa efficace) all'interno di modelli fisici rigorosi, combinando la potenza predittiva dei dati con la coerenza teorica.

In conclusione, l'uso combinato dell'effetto di nonlocalità e di algoritmi di regressione avanzati (in particolare Decision Tree e XGBoost) ha prodotto un modello teorico superiore per il calcolo delle emivite di decadimento alfa, con implicazioni dirette per la ricerca sui limiti della tavola periodica.