Bridging Ab Initio Symmetries and Global Nuclear Masses with Interpretable Neural Networks

Sintesi Tecnica: Collegare le Simmetrie Ab Initio con le Masse Nucleari Globali tramite Reti Neurali Interpretabili

Problematica
Sebbene la teoria nucleare ab initio abbia stabilito le simmetrie SU(4) di Wigner e SU(3) di Elliott come caratteristiche dominanti nei nuclei leggeri e di massa intermedia, rimane poco chiaro se tali simmetrie governino la legatura nucleare attraverso l'intero grafico nucleare, inclusi gli isotopi esotici vicino alle linee di dripline. Gli approcci tradizionali di apprendimento automatico (ML) per la previsione delle masse nucleari spesso funzionano come "scatole nere", catturando pattern senza fornire intuizioni fisiche. Al contrario, le formule di massa tradizionali (ad esempio, il Modello a Goccia Liquida) mancano del dettaglio microscopico necessario per prevedere le masse con alta precisione. Gli autori mirano a colmare questo divario sviluppando modelli di reti neurali (NN) interpretabili che utilizzino feature basate sulle simmetrie per testare se le simmetrie SU(3) e SU(4) possano servire come principio governante per la sistematica nucleare globale, dando priorità all'intuizione fisica rispetto al mero benchmarking di alta precisione.

Metodologia
Lo studio impiega una metodologia in tre fasi che prevede la cura dei dati, l'ingegneria delle feature e lo sviluppo del modello:

1. Raccolta e Suddivisione dei Dati:

   • Le masse nucleari sono state raccolte dal dataset AME2016 (escludendo estrapolazioni teoriche) e suddivise in un set di addestramento (1908 nuclei, 80%) e un set di test (478 nuclei, 20%).
   • Il dataset AME2020 ha fornito un set di validazione di 71 nuclei riportati per la prima volta in quella edizione, fungendo da benchmark per l'estrapolazione verso nuclei non visti, spesso esotici.
   • I nuclei leggeri ($Z < 8, N < 8$) sono stati esclusi.

2. Ingegneria delle Feature ispirata alle Simmetrie:
   I modelli utilizzano nove feature informate dalla fisica raggruppate in tre categorie:

   • Feature del Modello a Goccia Liquida (LDM): Numero protonico ($Z$), numero neutronico ($N$), proxy del termine di superficie ($A^{2/3}$) e proiezione di isospin ($T_z = (N-Z)/2$).
   • Feature SU(4): Gli operatori di Casimir di secondo ($C_2$), terzo ($C_3$) e quarto ($C_4$) ordine. Essi descrivono le forze di polarizzazione spin-isospin. Gli autori ipotizzano che la rappresentazione irreducibile dominante con il valore di $C_2$ più basso, identificata nelle calcoli ab initio per i nuclei leggeri, si estenda attraverso l'intero grafico.
   • Feature SU(3): Il totale dei quanti dell'oscillatore armonico ($N\hbar\omega$) e gli operatori di Casimir di secondo ($C_2$) e terzo ($C_3$) ordine del gruppo SU(3), che codificano la collettività quadripolare e la deformazione.
   • Selezione delle Feature: L'analisi di correlazione tramite il Coefficiente di Informazione Massima (MIC) ha rivelato che il Casimir cubico di SU(4) ($C_3$) era debolmente correlato con altre feature e mostrava fluttuazioni di segno tra i nuclei con massa dispari. Di conseguenza, $C_3$[SU(4)] è stato escluso dai modelli finali come feature irrilevante.

3. Architetture di Reti Neurali:
   Sono stati costruiti tre modelli distinti:

   • FINN (Feature-Informed NN): Una standard NN a output singolo che mappa direttamente le feature sull'energia di legame (BE). Utilizza una perdita di Errore Quadratico Medio (MSE) e un termine di regolarizzazione di tipo Garvey-Kelson (GK) informato dalla fisica.
   • GINN (Gaussian-Informed NN): Una NN a due output che predice sia la media della BE ($\mu_{BE}$) che l'incertezza ($\sigma_{BE}$). Impiega una perdita di Log-Likelihood Negativa (NLL) per quantificare l'incertezza.
   • WINN (Wigner-Informed NN): Una formula di massa bilineare interpretabile, dove le intensità di accoppiamento sono apprese da una NN. La formula è definita come:
     $$BE = a + bZ^2 + cT_z^2 + dN\hbar\omega + eC_2[\text{SU(3)}] + fC_3[\text{SU(3)}] + gC_2[\text{SU(4)}] + hC_4[\text{SU(4)}]$$
     Qui, i coefficienti $\{a, \dots, h\}$ sono funzioni di $N$ e $Z$ apprese dalla rete, permettendo al modello di adattare i contributi di simmetria attraverso il panorama nucleare.

Risultati Chiave

• Metriche di Performance:
  • Il baseline LDM ha raggiunto un RMSE di validazione di 1.270 MeV (FINN).
  • L'aggiunta delle sole feature SU(4) ha ridotto l'RMSE di validazione a 1.024 MeV, dimostrando che la simmetria di Wigner trasporta informazioni predittive oltre le proprietà bulk.
  • La combinazione di feature LDM, SU(4) e SU(3) ha prodotto le migliori prestazioni per i modelli black-box: 0.624 MeV (FINN) e 0.793 MeV (GINN).
  • WINN ha raggiunto l'RMSE di validazione più basso di 0.430 MeV, superando sia FINN che GINN. Questo risultato è competitivo con i modelli di massa allo stato dell'arte nonostante utilizzi solo otto termini motivati dalla simmetria.
• Capacità di Estrapolazione:
  • Confrontato con i modelli WS3 e HFB-26 per i nuclei oltre il confine AME2020, WINN ha mostrato un buon accordo (entro 5 MeV) per i nuclei entro 5 neutroni dalla regione nota.
  • Gli errori aumentano sistematicamente con la distanza dalla tabella nota, riflettendo i limiti intrinseci dell'estrapolazione di un modello compatto a otto termini.
• Intuizioni Fisiche:
  • Ripristino di SU(4): Il Casimir quadratico di SU(4) ($C_2$) ha mostrato un potenziamento pronunciato (contribuendo per il 10–40% dell'energia di legame) vicino alla dripline neutronica ($Z \approx 8-60$), segnalando il ripristino della simmetria di Wigner dovuto alla soppressione della scissione spin-orbita.
  • Regione Superpesante: Il Casimir quartico di SU(4) ($C_4$) ha acquisito una forza significativa nella regione superpesante ($N \gtrsim 126$), diventando competitivo con $C_2$, potenzialmente legato alla dominanza della sistematica $\alpha$.
  • Accoppiamento (Pairing): Il modello ha catturato con successo gli effetti di pairing senza un termine di pairing esplicito, come dimostrato dall'assenza di inversioni sistematiche di segno o di oscillazioni pari-dispari nei residui.
  • Funzioni di Attivazione: Lo studio ha rilevato che le funzioni di attivazione lineare a tratti (ReLU, PReLU) hanno superato le funzioni smooth (Tanh, SiLU) nel riprodurre i bruschi cali nell'energia di separazione dei due neutroni ($S_{2n}$) in corrispondenza delle chiusure di shell.

Significato e Rivendicazioni
L'articolo sostiene che incorporare le simmetrie fisiche direttamente nell'architettura della rete neurale (come in WINN) è più efficace rispetto al trattarle meramente come feature di input. Il significato primario non risiede nella precisione assoluta delle previsioni di massa, ma nell'intuizione fisica ottenuta:

1. Validazione delle Simmetrie: I risultati forniscono prove del fatto che le simmetrie SU(4) di Wigner e SU(3) di Elliott non sono limitate ai nuclei leggeri, ma agiscono come principi governanti per l'intero grafico nucleare, inclusi gli isotopi esotici.
2. Interpretabilità: A differenza dei modelli ML standard, WINN rivela come le simmetrie influenzano l'energia di legame in diverse regioni (ad esempio, il potenziamento di SU(4) vicino alla dripline).
3. Principi Emergenti: Il lavoro eleva le simmetrie emergenti da descrittori di singoli nuclei a un framework per comprendere la sistematica nucleare globale.
4. Direzioni Future: Gli autori suggeriscono che, sebbene l'attuale base di simmetria sia compatta ed efficace, il lavoro futuro potrebbe estendere il framework ad altre osservabili (ad esempio, il decadimento $\beta$) o affrontare la rottura di simmetria attraverso una migliore selezione delle irrep o sfruttando la capacità della NN di assorbire le non-linearità associate alle simmetrie rotte.