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

Deze studie combineert het niet-lokale effect van alfadeeltjes in de tweepotentiaalbenadering met machine learning-modellen, zoals Decision Tree en XGBRegressor, om de nauwkeurigheid van alfa-decay halflevens voor zware en superzware kernen aanzienlijk te verbeteren en te valideren tegen bestaande empirische formules.

De kern

De Kwantum-Tunneling van Alfa-deeltjes: Hoe Computers de Geheimen van het Zwaarste Atoom onthullen

Stel je voor dat je een enorme berg probeert over te komen, maar je hebt niet genoeg kracht om eroverheen te klimmen. In de wereld van de atomen gebeurt er iets magisch: een deeltje kan plotseling "tunnelen" door de berg heen alsof het een spook is. Dit noemen we radioactief verval, en het is precies wat zware atoomkernen doen om stabiel te worden.

Deze wetenschappelijke paper is een verhaal over hoe twee onderzoekers, Jinyu Hu en Chen Wu, een oude manier van rekenen hebben opgefrist met de kracht van moderne kunstmatige intelligentie (AI), om te voorspellen hoe snel deze atomen uiteenvallen.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De "Glibberige" Berg

In de kernfysica gebruiken wetenschappers een model genaamd TPA (Twee-Potentiaalbenadering) om te berekenen hoe snel een atoomkern een stukje deeltje (een alfa-deeltje) uitstoot.

• De Analogie: Stel je voor dat het alfa-deeltje een skateboarder is die een enorme helling (de kernkracht) moet afzakken om de berg over te steken.
• Het oude model: De wetenschappers namen aan dat de skateboarder altijd even zwaar is. Maar in werkelijkheid is het alsof de skateboarder op een glibberige, veranderlijke ondergrond rijdt. Soms voelt hij zwaarder, soms lichter, afhankelijk van waar hij precies is. Dit heet het "niet-lokale effect".
• Het probleem: Als je dit gewichtsverschil negeert, is je voorspelling over hoe snel de skateboarder de berg afkomt niet helemaal goed. Het is alsof je probeert de snelheid van een auto te berekenen zonder rekening te houden met de wind of de helling van de weg.

2. De Oplossing: De Slimme Computer als Coach

De onderzoekers wilden weten: Hoe zwaar is die skateboarder precies op elk punt van de berg? Vroeger moesten ze dit handmatig raden, wat veel fouten opleverde.

Nu hebben ze Machine Learning (een soort slimme computer) ingeschakeld. Ze hebben drie verschillende "AI-coaches" getraind:

1. Decision Tree (Beslissingsboom): Een coach die stap-voor-stap vragen stelt ("Is het zwaar? Ja/Nee. Is het snel? Ja/Nee") om tot een antwoord te komen.
2. Random Forest (Willekeurig Bos): Een groep van honderden beslissingsbomen die samenstemmen. Het is als een panel van experts die overleggen.
3. XGBRegressor: Een super-snelle, geavanceerde coach die uit duizenden fouten leert om de perfecte voorspelling te doen.

Het resultaat?
De computer heeft ontdekt dat de skateboarder (het alfa-deeltje) inderdaad een veranderlijk gewicht heeft. Door dit te corrigeren, werden de voorspellingen ongeveer 54% nauwkeuriger. Dat is alsof je van een slechte GPS die je 10 minuten laat verdwalen, naar een perfecte navigatie die je precies op tijd brengt.

3. De Test: De Zwaarste Atomen ter Wereld

Om te bewijzen dat hun nieuwe methode werkt, hebben ze het gebruikt om het lot te voorspellen van de zwaarste atomen die we kunnen maken (met atoomnummers 118 en 120). Deze atomen bestaan nog niet lang genoeg om ze in het lab te meten, dus we moeten ze voorspellen.

• De Vergelijking: Ze hebben hun AI-voorspellingen vergeleken met twee andere beroemde formules (de "DZR" en "New+D" modellen).
• De Uitslag: De voorspellingen van hun "Beslissingsboom" (Decision Tree) en de "New+D" formule kwamen bijna perfect overeen. De "XGB" formule deed het ook goed, maar liep hier en daar iets af.
• De Magische Getallen: Uit hun voorspellingen bleek iets fascinerends: er lijkt een soort "magisch" aantal neutronen te zijn (180 en 186) dat atomen extra stabiel maakt. Dit is als een extra stevige fundering voor een heel zwaar gebouw.

Waarom is dit belangrijk?

Vroeger was het voorspellen van het verval van deze superzware atomen als het raden in het donker. Nu, door de combinatie van de oude natuurkunde (de berg en de skateboarder) en de nieuwe AI (de slimme coach), hebben we een veel helderder beeld.

Dit helpt wetenschappers in het lab om te weten welke atomen ze moeten proberen te maken en hoe lang ze misschien zullen bestaan voordat ze weer uiteenvallen. Het is een prachtige samenwerking tussen de klassieke natuurkunde en de kracht van moderne data.

Kort samengevat:
De onderzoekers hebben een oude formule voor atoomverval opgefrist door een slimme computer te laten leren hoe het gewicht van de deeltjes verandert. Hierdoor kunnen we nu veel nauwkeuriger voorspellen hoe lang de zwaarste atomen ter wereld bestaan, wat een enorme stap is voor de toekomst van de kernfysica.

Technische samenvatting

Titel: Non-lokale effecten in het tunnelen van alfa-radioactiviteit met behulp van Machine Learning

Auteurs: Jinyu Hu en Chen Wu (Xingzhi College, Zhejiang Normal University, China)

---

1. Het Probleem

Alfa-verval ($\alpha$-decay) is een fundamenteel proces in de kernfysica, vooral relevant voor het bestuderen van zware en superzware elementen. De theoretische beschrijving ervan berust vaak op het twee-potentialen-benadering (TPA) model, waarbij het verval wordt beschouwd als een quantumtunnelingproces van een vooraf gevormde $\alpha$-deeltje door een potentiaalbarrière.

Een belangrijke beperking in traditionele TPA-modellen is de aanname dat de effectieve massa van het $\alpha$-deeltje constant is (de vrije massa). Eerdere onderzoeken (zoals die van Medeiros et al.) hebben echter aangetoond dat niet-lokale effecten (nonlocality) in het potentiaalveld de effectieve massa van het deeltje kunnen beïnvloeden, afhankelijk van de positie. Het handmatig afstemmen van de parameters die deze niet-lokale massa-modificatie beschrijven, is complex en tijdrovend. Bovendien is de nauwkeurigheid van bestaande empirische formules en theoretische modellen voor superzware kernen (zoals die met atoomnummer $Z=118$ en $Z=120$) nog steeds een uitdaging.

2. Methodologie

De auteurs combineren een geavanceerd theoretisch raamwerk met moderne machine learning (ML) technieken om de nauwkeurigheid van de berekening van $\alpha$-vervalhalveringstijden te verbeteren.

• Theoretisch Raamwerk (TPA):

  • De halveringstijd $T_{1/2}$ wordt berekend via de vervalbreedte $\Gamma$, die afhankelijk is van de preformatiefactor ($P_\alpha$), een normalisatiefactor ($F$) en de penetratiekans ($P$).
  • De kernpotentiaal wordt gemodelleerd met een cosh-parametrisatie, gecombineerd met de Coulomb- en centrifugale potentialen.
  • Niet-lokale correctie: De effectieve massa $\mu$ wordt aangepast door een ruimtelijk variabele massa $m^*$ in te voeren, gedefinieerd als $m^* = m / (1 - \rho(r))$. De parameter $\rho_S$ in de functie $\rho(r)$ bepaalt de grootte van dit niet-lokale effect.

• Machine Learning Strategie:

  • In plaats van $\rho_S$ handmatig te optimaliseren, gebruiken de auteurs supervised learning om deze parameter te voorspellen op basis van nucleaire eigenschappen (zoals $Z/\sqrt{Q_\alpha}$ en $A$).
  • Drie klassieke regressiemodellen worden getraind en vergeleken:
    1. Decision Tree Regression (DT)
    2. Random Forest Regression (RF)
    3. XGBRegressor (XG) (Extreme Gradient Boosting)
  • Dataset: De modellen worden getraind op experimentele data van 196 even-even kernen met atoomnummers $Z=52$ tot $Z=118$. De doelvariabele is de geoptimaliseerde $\rho_S$-waarde die de theoretische halveringstijd het beste doet overeenkomen met de experimentele waarden.

3. Belangrijkste Bijdragen

• Integratie van ML in Kernfysica: Het artikel toont aan dat ML-modellen effectief kunnen worden gebruikt om complexe, niet-lineaire parameters (zoals de niet-lokale massacorrectie) in kwantumtunnelingmodellen te optimaliseren, wat superieur is aan traditionele handmatige tuning.
• Verbeterde TPA: De auteurs hebben de TPA uitgebreid met een niet-lokale term die dynamisch wordt aangepast per kern via ML, in plaats van een universele benadering te gebruiken.
• Voorspelling voor Superzware Elementen: Het model wordt succesvol toegepast om de $\alpha$-vervalhalveringstijden te voorspellen voor 20 nog niet volledig gekarakteriseerde even-even kernen met $Z=118$ en $Z=120$.

4. Resultaten

• Modelprestaties:

  • Hoewel de Random Forest (RF) de beste prestatie leverde bij het voorspellen van de parameter $\rho_S$ zelf (hoogste $R^2$), bleken Decision Tree (DT) en XGBRegressor (XG) superieur bij het daadwerkelijk voorspellen van de $\alpha$-vervalhalveringstijden.
  • De standaardafwijking ($\sigma$) tussen berekende en experimentele halveringstijden verbeterde aanzienlijk ten opzichte van het TPA-model zonder niet-lokale effecten:
    • XGBRegressor: Verbetering van 53,7%.
    • Decision Tree: Verbetering van 54,5%.
    • Random Forest: Verbetering van 46,7%.
  • De standaardafwijkingen voor de beste modellen liggen rond de 0,259 (XG) en 0,264 (DT), wat een significante verbetering is ten opzichte van de 0,573 van het basismodel.

• Voorspellingen voor $Z=118$ en $Z=120$:

  • De voorspellingen van de DT en XG modellen werden vergeleken met de gevestigde Deng-Zhang-Royer (DZR) formule en de nieuwe empirische uitdrukking "New+D" (die nucleaire vervorming meeneemt).
  • De voorspellingen van het Decision Tree-model tonen een zeer hoge consistentie met de "New+D" formule.
  • Het XGBRegressor-model vertoont iets grotere afwijkingen ten opzichte van de andere twee, maar blijft binnen een redelijke marge.
  • De resultaten suggereren dat $N=186$ een mogelijk neutronen-magisch getal is en $N=180$ een neutronen-submagisch getal in dit gebied, gezien de pieken in de voorspelde halveringstijden.

5. Betekenis en Conclusie

Dit onderzoek demonstreert krachtig hoe machine learning kan dienen als een brug tussen theoretische modellen en experimentele data in de kernfysica. Door de niet-lokale effecten op de effectieve massa van het $\alpha$-deeltje te optimaliseren met ML, kunnen theoretische voorspellingen voor $\alpha$-vervalhalveringstijden aanzienlijk nauwkeuriger worden.

De geïmplementeerde methode biedt niet alleen betere voorspellingen voor bekende kernen, maar levert ook betrouwbare richtlijnen voor toekomstige experimenten gericht op de synthese van nieuwe superzware elementen en isotopen. De hoge consistentie met de "New+D" formule bevestigt dat het ML-geoptimaliseerde TPA-model een robuust en fysisch onderbouwd instrument is voor het bestuderen van de stabiliteit van superzware kernen.