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 ($\mathrm{TabPFN}$)

Gli atomi sono i mattoni fondamentali dell'universo visibile, eppure i loro nuclei non sono sempre stabili. Nel cuore di un atomo, protoni e neutroni sono tenuti insieme da forze potenti, ma quando l'equilibrio si rompe, il nucleo può diventare instabile e liberare particelle per trovare uno stato più confortevole. Questo processo, noto come decadimento radioattivo, è un orologio naturale che ticchetta proprio al limite della materia. Alcuni atomi perdono un singolo protone, altri rilasciano una coppia di protoni, mentre molti emettono un gruppo compatto di due protoni e due neutroni, noto come particella alfa. In casi rari, si staccano persino ammassi più grandi di particelle. Prevedere esattamente quanto dureranno questi atomi instabili prima di decadere è una sfida centrale nella fisica nucleare, poiché rivela le regole nascoste che governano la struttura della materia e aiuta gli scienziati a comprendere i limiti della tavola periodica.

Per quasi un secolo, i fisici si sono affidati a modelli matematici per stimare questi tempi di vita, trattando spesso il nucleo come una semplice sfera e calcolando la probabilità che una particella possa attraversare per effetto tunnel una barriera energetica per sfuggire. Sebbene questi modelli tradizionali catturino la fisica di base, spesso faticano a corrispondere alle misurazioni precise effettuate nei laboratori, specialmente quando si tratta di nuclei complessi e dalle forme irregolari o di tipi di decadimento rari. Per colmare questo divario tra teoria e realtà, un team di ricercatori ha sviluppato un nuovo approccio che combina un classico modello fisico con uno strumento moderno di intelligenza artificiale. Fondendo le leggi stabilite della fisica nucleare con un sistema di apprendimento automatico progettato per apprendere da piccoli set di dati, hanno creato un metodo che prevede i tempi di vita degli atomi in decadimento con un'accuratezza senza precedenti.

I ricercatori si sono concentrati su quattro modi distinti in cui gli atomi instabili liberano l'energia in eccesso: l'emissione di un singolo protone, il rilascio simultaneo di due protoni, l'espulsione di una particella alfa e l'emissione di ammassi più grandi di particelle. Hanno raccolto dati su 583 diversi nuclei radioattivi, una collezione che includeva rari esempi di emettitori di due protoni, decine di emettitori di protoni, centinaia di emettitori alfa e una selezione di emettitori di ammassi. Il loro punto di partenza è stato un noto quadro fisico chiamato modello simile a quello di Gamow deformato. Questo modello tratta il nucleo non come una sfera perfetta, ma come una forma che può essere allungata o schiacciata, il che influenza la facilità con cui le particelle possono sfuggire. Il modello calcola il tempo necessario affinché una particella attraversi per effetto tunnel la barriera nucleare, ma si basa su alcuni numeri regolabili per corrispondere alla realtà, come la dimensione effettiva del nucleo e un fattore che tiene conto di come la disposizione interna di protoni e neutroni possa rallentare il processo.

Per migliorare questi calcoli, il team ha introdotto un sofisticato sistema di apprendimento automatico noto come Tabular Prior-data Fitted Network. A differenza di molti sistemi di intelligenza artificiale che richiedono enormi quantità di dati per apprendere, questo strumento è progettato specificamente per effettuare previsioni ad alta precisione partendo da piccoli set di dati, rendendolo ideale per la fisica nucleare dove i dati sperimentali possono essere scarsi. I ricercatori non hanno semplicemente lasciato che il computer indovinasse le risposte; al contrario, hanno usato l'IA per apprendere le sottili sfumature che il modello fisico non riusciva a cogliere. Hanno fornito al sistema informazioni sul nucleo, come il numero di protoni e neutroni, l'energia rilasciata durante il decadimento e la forma del nucleo. L'IA ha poi imparato a prevedere un fattore di correzione specifico che regola il calcolo teorico per farlo corrispondere a ciò che viene effettivamente osservato negli esperimenti.

I risultati di questo approccio ibrido sono stati sorprendenti. Quando i ricercatori hanno testato il loro nuovo metodo rispetto ai dati sperimentali, le previsioni sono diventate significativamente più accurate in tutte e quattro le modalità di decadimento. Per l'emissione di singoli protoni, l'errore nelle previsioni è sceso di oltre l'80 percento rispetto al solo modello fisico. Per il decadimento alfa, che è la forma più comune di decadimento radioattivo studiata, l'errore è diminuito di quasi l'88 percento. La versione più efficace del loro modello, che combinava i parametri fisici ottimizzati con le correzioni dell'IA, ha raggiunto un livello di precisione che era circa l'82 percento migliore rispetto al modello fisico non corretto. Questo miglioramento non è stato un semplice caso statistico; il modello ha mantenuto la sua accuratezza anche quando è stato testato su dati che non aveva mai visto prima, dimostrando di aver appreso le regole sottostanti del decadimento piuttosto che limitarsi a memorizzare gli esempi.

Oltre a ottenere semplicemente i numeri corretti, il nuovo modello ha riprodotto con successo comportamenti complessi difficili da catturare con formule semplici. Ad esempio, ha descritto accuratamente come cambiano i tempi di vita degli atomi emettitori alfa all'aumentare del numero di neutroni, inclusi i salti improvvisi di stabilità che si verificano quando il nucleo raggiunge un numero "magico" specifico di neutroni, come 126. Questa capacità di catturare l'effetto di chiusura del guscio suggerisce che il modello ha implicitamente appreso i dettagli strutturali del nucleo, anche se non era stato esplicitamente programmato con tali regole. I ricercatori hanno anche utilizzato il loro modello raffinato per prevedere i tempi di vita di atomi che non sono ancora stati osservati o misurati in laboratorio, inclusi potenziali candidati per il decadimento a due protoni e per elementi superpesanti al limite della tavola periodica. Queste previsioni forniscono una tabella di marcia per gli esperimenti futuri, guidando gli scienziati su dove cercare nuove forme di materia.

Lo studio dimostra che il futuro della fisica nucleare potrebbe risiedere nell'integrazione attenta delle teorie fisiche tradizionali con gli strumenti moderni basati sui dati. Rispettando le leggi stabilite della meccanica quantistica pur permettendo all'apprendimento automatico di correggere le complessità dei nuclei reali, i ricercatori hanno creato un potente nuovo strumento per esplorare il mondo atomico. Il loro lavoro mostra che anche in un campo governato da costanti fondamentali, c'è ancora spazio per il perfezionamento, e che combinare l'intuizione umana con l'intelligenza artificiale può rivelare schemi che nessuno dei due potrebbe trovare da solo. Questo quadro ibrido offre un modo affidabile per prevedere il comportamento degli atomi instabili, aiutando a mappare i confini della stabilità nucleare e ad approfondire la nostra comprensità delle forze che tengono insieme l'universo.