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

Sintesi Tecnica: Correzione del Residuo della Emivita del Decadimento $\alpha$ Guidata dalla Fisica Basata sul Modello della Goccia Liquida Effettiva

Problematica
La previsione accurata delle emivite del decadimento $\alpha$ nei nuclei pesanti e superpesanti è critica per gli studi sulla struttura nucleare, le investigazioni sulla stabilità e l'identificazione di nuovi nuclidi. Sebbene il Modello della Goccia Liquida Effettiva (ELDM) fornisca un quadro macroscopico fisicamente intuitivo per descrivere il processo di penetrazione della barriera, esso presenta dei limiti. In quanto modello macroscopico, l'ELDM non incorpora pienamente gli effetti microscopici della struttura nucleare, come la deformazione nucleare, le strutture a guscio, le correlazioni di accoppiamento (pairing) e l'ostruzione dovuta al momento angolare. Di conseguenza, persistono deviazioni residue sistematiche tra le previsioni dell'ELDM e i dati sperimentali, in particolare per i sistemi con numero di massa dispari (odd-$A$) e odd-odd. Gli approcci di machine learning (ML) puramente basati sui dati spesso mancano di interpretabilità fisica, mentre i modelli teorici tradizionali faticano a catturare le complesse correlazioni non lineari nascoste in dataset ad alta dimensionalità.

Metodologia
Gli autori propongono un framework di correzione del residuo guidato dalla fisica che integra l'ELDM con il machine learning. La metodologia procede in tre fasi:

1. Baseline Macroscopica (ELDM): L'ELDM viene impiegato per calcolare le emivite teoriche ($T_{1/2}^{ELDM}$). In questo modello, il decadimento $\alpha$ è trattato come un processo simile alla fissione in cui il nucleo genitore evolve in una configurazione dinucleare (particella $\alpha$ emessa e nucleo figlio). La penetrabilità della barriera è calcolata utilizzando l'approssimazione semiclassica WKB lungo una coordinata collettiva monodimensionale, tenendo conto delle barriere interne della goccia liquida e delle barriere esterne Coulombiane/centrifughe.
2. Definizione del Residuo: La discrepanza tra la previsione dell'ELDM e i dati sperimentali è definita come la quantità residua: $\Delta = \log_{10} T_{1/2}^{ELDM} - \log_{10} T_{1/2}^{exp}$.
3. Correzione tramite Machine Learning: Due modelli di ML per piccoli campioni, XGBoost (alberi decisionali potenziati dal gradiente) e TabPFN (un modello di fondazione probabilistico per dati tabulari), sono addestrati per predire il residuo $\Delta$. Il framework utilizza diversi gruppi di descrittori di input motivati fisicamente per caratterizzare sia il comportamento globale del decadimento che gli effetti microscopici mancanti:
   • Base: Numero protonico ($Z$), numero neutronico ($N$) ed energia di decadimento ($Q_\alpha$).
   • Deformazione: Un descrittore di deformazione con segno ($x_{def}$) derivato dal parametro di deformazione quadrupolare $\beta_2$.
   • Geiger-Nuttall: Il termine $Z/\sqrt{Q_\alpha}$.
   • Momento Angolare: Il momento angolare orbitale minimo ($l_{min}$) per tenere conto dell'ostruzione centrifuga.
     Sono stati testati quattro combinazioni di feature (term1 fino a term4), aggiungendo progressivamente questi descrittori.

Contributi Chiave

• Framework Ibrido: Il documento introduce una strategia in cui l'ELDM fornisce i vincoli fisici e il trend globale, mentre il ML apprende le specifiche deviazioni residue derivanti dagli effetti della struttura microscopica. Ciò preserva l'interpretabilità fisica migliorando al contempo l'accuratezza.
• Ingegneria delle Feature: La costruzione sistematica di descrittori motivati fisicamente (deformazione, feature Geiger-Nuttall e $l_{min}$) consente al modello di mirare esplicitamente ai meccanismi fisici specifici mancanti nel baseline ELDM.
• Confronto tra Modelli: Viene condotto un confronto sistematico tra XGBoost e TabPFN su un dataset derivato da NUBASE2020 e AME2020, che copre nuclei pesanti e superpesanti.

Risultati

• Miglioramento delle Prestazioni: Tutte le correzioni del residuo basate su ML hanno migliorato significativamente l'accuratezza predittiva del baseline ELDM. Il modello TabPFN con il set di feature "term3" (contenente $Z, N, Q_\alpha, x_{def}, Z/\sqrt{Q_\alpha}, l_{min}$) ha ottenuto le migliori prestazioni.
• Metriche Quantitative: Il modello TabPFN-term3 ha ridotto l'Errore Quadratico Medio (RMSE) da 0,567 (baseline ELDM) a 0,348 (un miglioramento del 38,60%) e l'Errore Assoluto Medio (MAE) da 0,417 a 0,248 (un miglioramento del 40,46%).
• Importanza delle Feature: L'analisi di ablazione delle feature ha rivelato che l'inclusione di quantità legate alla deformazione e del momento angolare orbitale minimo è stata cruciale. La rimozione dei descrittori di deformazione (term4) ha portato a un degrado delle prestazioni, confermando che gli effetti della deformazione nucleare contribuiscono significativamente alle deviazioni residue.
• Distribuzione del Residuo: Le previsioni corrette hanno mostrato una distribuzione del residuo significativamente più concentrata intorno allo zero rispetto al baseline, con una sostanziale soppressione della regione a coda lunga associata alle grandi deviazioni.
• Comportamento del Modello: TabPFN ha generalmente dimostrato prestazioni più stabili e una migliore capacità di apprendere strutture residue non lineari complesse da dati limitati rispetto a XGBoost.

Significatività
Gli autori affermano che questo framework di correzione del residuo guidato dalla fisica offre una strategia fattibile per la previsione ad alta precisione dell'emivita del decadimento $\alpha$. Compensando gli effetti mancanti della struttura nucleare microscopica senza scartare la base fisica macroscopica, l'approccio raggiunge un'alta accuratezza mantenendo al contempo l'interpretabilità fisica. Lo studio suggerisce che le deviazioni residue nei modelli macroscopici contengono informazioni microscopiche sistematiche che possono essere estratte efficacemente attraverso il machine learning per piccoli campioni. Questa metodologia ibrida è presentata come una potenziale guida per future investigazioni su altri processi di decadimento nucleare e problemi di struttura nucleare.