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 ($\mathrm{TabPFN}$)

기술 요약: 양성자, 이양성자, 알파 및 클러스터 방사성 붕괴 반감기에 관한 체계적 연구

문제 정의
방사성 핵종의 반감력을 예측하는 것은 핵 구조, 안정성 및 붕 decay 메커니즘을 이해하는 데 필수적이다. Gamow 이론 및 경험적 공식(예: Geiger-Nuttall 법칙, 보편적 붕괴 법칙)과 같은 이론적 모델들이 존재하지만, 복잡한 핵 변형 및 홀수 질량 핵을 다룰 때 특히 높은 정밀도를 달est하는 데 어려움을 겪는 경우가 많다. 물리적 해석 가능성과 현대 머신러닝의 고정밀 예측 능력을 결합하되, 핵물리학 특유의 소규모 데이터셋에 최적화된 프레임워크가 필요하다.

방법론
저자들은 **변형된 Gamow 유사 모델(DGLM)**과 **Tabular Prior-data Fitted Network(TabPFN)**를 통합한 하이브리드 프레임워크를 제안한다.

1. 이론적 기초 (DGLM):

   • DGLM은 전형 형성 인자($S$), 충돌 빈도($\nu$), 장벽 투과 확률($P$)을 기반으로 붕괴 상수($\lambda$)를 계산한다.
   • FRDM2012 모델로부터 얻은 핵 변형 파라미터($\beta_2, \beta_4, \beta_6$)를 포함하며, 균일하게 대전된 구체의 원심력 퍼텐셜과 쿨롱 상호작용을 고려한다.
   • 핵의 패리티 및 구조적 효과를 설명하기 위해 조절 가능한 반지름 상수($r_0$)와 저해 인자($h$)를 도입한다. 이 파라미터들은 특정 붕괴 모드에 대해 최소제곱법을 사용하여 최적화된다.

2. 머신러닝 통합 (TabPFN):

   • 소규모 정형 데이터(<10,000개 샘플)를 위해 설계된 Transformer 기반 파운데이션 모델인 TabPFN을 인컨텍스트 학습(In-Context Learning, ICL)을 통해 사용한다.
   • 모델은 직접적으로 반감력을 예측하는 대신, 간접 학습 전략을 수행한다: 즉, 실험적 전형 형성 인자의 로그값($\log_{10} S_{exp}$)을 예측한다.
   • 입력 특징: 모델은 질량수($A$), 양성자 수($Z$), 중성자 수($N$), 붕괴 에너지($Q$), 최소 각운동량($l$), 변형 파라미터($\beta$), 방출 입자 운동 에너지($E_k$), 퍼텐셜 깊이($V_0$), 원심력 퍼텐셜($V_l$), 그리고 경험적 저해 인자를 포함한 12가지 물리량을 입력 특징으로 활용한다.
   • 워크플로우: 예측된 전형 형성 인자는 DGLM 방정식에 다시 대입되어 최종 반감기($T_{1/2}$)를 계산한다.

3. 모델 변형:
   본 연구는 네 가지 모델을 구축하고 비교한다:

   • DGLM$_a$: 고정된 파라미터($r_0=1.28$ fm, $h=0$)를 사용하는 표준 DGLM.
   • DGLM$_a$ + TabPFN: 전형 형성 인자 예측을 위해 DGLM$_a$를 TabPFN과 결합한 모델.
   • DGLM$_b$: 최소제곱법을 통해 최적화된 파라미터($r_0$ 및 $h$)를 각 붕데 모드에 맞게 피팅한 DGLM.
   • DGLM$_b$ + TabPFN: 최적화된 DGLM$_b$를 TabPFN과 결합한 모델.

주요 기여 및 결과
본 연구는 583개의 방사성 핵종을 조사하였으며, 이는 17개의 이양성자(2p) 방출체, 42개의 양성자(p) 방출체, 498개의 알파($\alpha$) 방출체, 26개의 클러스터 방출체로 분류된다.

• 전반적인 성능: DGLM$_b$ + TabPFN 모델이 0.423의 제곱평균제곱근 편차($\sigma_{RMS}$)를 기록하며 가장 우수한 성능을 보였다. 이는 최적화된 DGLM$_b$ 모델 단독 성능($\sigma_{RMS} = 2.383$) 대비 약 82.2% 개선된 수치이다.
• 붕괴 모드별 특성:
  • 양성자 방출: $\sigma_{RMS}$가 0.971 (DGLM$_b$)에서 0.188 (DGLM$_b$ + TabPFN)로 감소하여 **80.6%**의 감소율을 보였다. 이 모델은 기존 DGLM에 존재하던 계통적 과소평가를 효과적으로 교정하였다.
  • 알파 붕괴: $\sigma_{RMS}$가 1.999에서 0.247로 떨어졌으며, 이는 **87.6%**의 감소를 의미한다. 모델은 훈련, 테스트, 전체 RMSE가 각각 0.208, 0.305, 0.240으로 나타나 과적합의 징후 없이 강력한 일반화 능력을 입증하였다.
  • 이양성자 방사성: 2p 방출의 경우, DGLM$_b$ 모델의 표준 편차는 1.956이었다. TabPFN을 도입한 후 DGLM$_b$ + TabPFN 모델의 표준 편차는 1.576으로 감소하였으며, 이는 DGLM$_b$ 모델 대비 약 **19.4%**의 감소를 나타낸다.
  • 클러스터 방사성: 하이브리드 모델은 납(Pb) 영역의 클러스터 방출체에 대해 DGLM$_b$ 모델 및 보편적 붕괴 법칙(UDL) 경험 공식보다 더 신뢰할 수 있는 예측을 제공하였으나, 구체적인 편차 감소율은 본문에 명시되지 않았다.
• 물리적 통찰:
  • 모델은 동위원소 사슬(Z = 84–87)에 따른 알파 붕괴 반감기의 체계적 진화를 성공적으로 재현하였다.
  • N = 126 주변의 껍질 폐쇄 효과를 정확하게 포착하였다.
  • 초중원소(Z = 117–120)에 대한 외삽 테스트에서, 모델은 N = 184와 N = 186 사이에서 알파 붕괴 반감기가 급격히 감소할 것을 예측하였으며, 이는 UDL이 예측하는 경향과 일치하는 강력한 중성자 껍질 효과를 시사한다.

의의 및 주장
본 논문은 물리적 해석이 가능한 DGLM과 데이터 기반의 TabPFN을 결합함으로써 방사성 붕괴 반감력 예측의 정확도와 견고성을 크게 향상시킨다고 주장한다. 주요 핵심 주장은 다음과 같다:

1. 물리학과 AI의 시너지: 하이브리드 접근 방식은 광범위한 재학습 없이도 소규모 데이터셋에서 복잡한 조건부 사전 확률을 학습할 수 있는 TabPFN의 능력을 활용하면서도, 기존 DGLM 프레임워크의 물리적 해석 가능성을 유지한다.
2. 계통적 편향 교정: TabPFN은 반편성 핵자(unpaired nucleons)가 복잡성을 유발하는 홀수 질량 및 홀-홀(odd-odd) 핵에서 발생하는 반경형 DGLM의 계통적 오류와 편향을 효과적으로 교정한다.
3. 미지의 영역에 대한 예측 능력: 모델은 실험적 데이터가 부족한 초중원소 및 2p 및 클러스터 방사성의 잠재적 후보 핵종과 같은 영역에서 안정성과 외삽 능력을 입증하였다.
4. 효율성: TabPFN의 사용을 통해 소규모 핵 데이터셋에 대해 매우 짧은 시간 내에 고정밀 예측이 가능하며, 이는 다양한 붕괴 모드를 설명하고 알려지지 않은 핵종에 대한 미래의 실험적 탐색을 안내하는 유망한 도구가 될 수 있다.

저자들은 이 하이브리드 프레임워크가 전통적인 경험적 공식 및 단독 이론 모델보다 방사성 붕괴 특성을 예측하는 데 있어 우월한 대안을 제공한다고 결론짓는다.