Systematic Study on the $\alpha$-particle preformation factor in the theory of $\alpha$-decay based on the Tabular Prior-data Fitted Network (TabPFN)

Dit artikel introduceert een hybride methode die TabPFN combineert met het CPPM-model om de preformatiefactor van $\alpha$-deeltjes nauwkeurig te voorspellen, waardoor de berekening van $\alpha$-vervalhalveringstijden aanzienlijk wordt verbeterd en nieuwe inzichten worden verkregen in superzware kernen.

De kern

De Kern van de Zaken: Hoe een Slimme Computer de Geheime Code van Radioactieve Atomen Kraken

Stel je voor dat atoomkernen als kleine, onstabiele ballen zijn die voortdurend proberen stuk te springen. Soms gooien ze een klein stukje van zichzelf weg: een alfadeeltje (twee protonen en twee neutronen). Dit proces heet alfaverval. Voor wetenschappers is het heel belangrijk om te weten hoe lang het duurt voordat een atoom dit doet (de "halveringstijd"). Maar dat is lastig te voorspellen, omdat het afhangt van een geheimzinnige factor: de preformatiefactor.

Wat is dat nou precies?

De Metafoor: De "Voorbereidingsfactor"

Stel je een atoomkern voor als een drukke feestzaal vol gasten (de deeltjes). Om de deur uit te gaan (alfaverval), moeten twee protonen en twee neutronen eerst een groepje vormen, alsof ze een danspaar zoeken.

• De Preformatiefactor ($P_\alpha$) is de kans dat dit danspaar zich al voordat ze de deur uitgaan, heeft gevormd en klaarstaat om te dansen.
• Als de kans groot is, springen ze snel weg (kort leven).
• Als de kans klein is, moeten ze eerst zoeken en wachten (lang leven).

Vroeger dachten wetenschappers dat ze deze kans simpelweg als een vast getal konden schatten. Maar dat werkt niet goed, vooral niet bij atomen met een "magisch" aantal deeltjes (zoals een perfect gevulde stoel in een bioscoopzaal). Daar is de berekening vaak fout.

De Oplossing: Een Slimme Computer (TabPFN)

In dit onderzoek gebruiken de auteurs een nieuw soort kunstmatige intelligentie genaamd TabPFN.

• De Analogie: Stel je voor dat je een meesterkok bent die duizenden recepten heeft gelezen. Je hebt nooit een specifiek gerecht gemaakt, maar als je de ingrediënten ziet, kun je perfect voorspellen hoe het smaakt.
• Hoe het werkt: De wetenschappers hebben deze "kok" (de computer) gevoed met data van 498 verschillende atoomkernen. Ze hebben de computer laten kijken naar eigenschappen zoals:
  • Hoe zwaar is het atoom?
  • Hoeveel protonen en neutronen heeft het?
  • Is het atoom rond of wat vervormd (zoals een rugbybal)?
  • Heeft het een "ongepaard" deeltje (een eenzame danser)?

De computer heeft niet zomaar een formule onthouden; hij heeft de patronen in de natuur zelf geleerd. Hij heeft ontdekt dat de kans op het vormen van een danspaar sterk samenhangt met de structuur van de atoomkern.

Wat hebben ze ontdekt?

1. Het "Even-Odd" Geheim: De computer zag een duidelijk patroon. Als een atoomkern een even aantal deeltjes heeft, vormen ze makkelijker een danspaar. Als er één "eenzame" deeltje is (oneven aantal), blokkeert dat het proces. De computer kan dit nu perfect voorspellen, terwijl oude formules hier vaak vastliepen.
2. De Magische Getallen: Bij atomen met een specifiek aantal deeltjes (zoals 82 protonen of 126 neutronen) gedragen ze zich heel anders. De computer herkent deze "stopcontacten" in de natuur en past zijn voorspelling daar automatisch op aan.
3. De Voorspelling voor Superzware Atomen: De echte kracht van deze methode is dat hij kan voorspellen voor atomen die we nog niet eens hebben gemaakt of die heel kort leven. Ze hebben het gebruikt voor atomen met 117 tot 120 protonen.
   • Het Grote Resultaat: De computer suggereert dat er een nieuw "magisch getal" is bij 184 neutronen. Dit zou betekenen dat atomen met precies 184 neutronen veel stabieler zijn dan hun buren. Dit is een enorme hint voor toekomstige experimenten om nieuwe elementen te maken.

Waarom is dit belangrijk?

Vroeger was het voorspellen van de levensduur van deze zware atomen als schieten met blinddoek op een muis in een donkere kamer. De foutmarge was groot.

Met deze nieuwe methode (de combinatie van de fysica van de atoomkern en de slimme computer) is de voorspelling 90% nauwkeuriger geworden. Het is alsof je van een blinddoek afkomt en een zaklamp krijgt.

Kort samengevat:
De auteurs hebben een slimme computer getraind om te begrijpen hoe atoomkernen "dansgroepen" vormen. Door deze computer te gebruiken, kunnen we nu veel beter voorspellen hoe lang zware atomen leven en waar we in de toekomst nieuwe, stabiele elementen kunnen vinden. Het is een prachtige samenwerking tussen de oude wetenschap (fysica) en de nieuwe technologie (kunstmatige intelligentie).

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Systematic Study on the α-particle preformation factor in the theory of α-decay based on the Tabular Prior-data Fitted Network (TabPFN)", vertaald en samengevat in het Nederlands.

Titel: Systematisch onderzoek naar de preformatiefactor van α-deeltjes in de α-vervaltheorie gebaseerd op het Tabular Prior-data Fitted Network (TabPFN)

Auteurs: Panpan Qi, Xuanpeng Xiao, Gongming Yu, Haitao Yang, Qiang Hu.
Instellingen: Kunming University, Zhaotong University, Institute of Modern Physics (CAS).

---

1. Probleemstelling

Het verval van atoomkernen via het uitzenden van α-deeltjes is een fundamenteel proces in de nucleaire fysica dat inzicht biedt in de structuur van onstabiele kernen. De theoretische beschrijving van de halveringstijd ($T_{1/2}$) van α-verval berust op de quantummechanische tunneling door een potentiaalbarrière. Een cruciale, maar vaak onzekerheid bevattende, parameter in deze theorie is de preformatiefactor van het α-deeltje ($P_\alpha$).

• Huidige uitdaging: Traditioneel wordt $P_\alpha$ vaak behandeld als een empirische constante of via semi-empirische formules benaderd. Deze benadering faalt echter vaak bij kernen nabij gesloten schillen (magic numbers), waar $P_\alpha$ aanzienlijke variaties vertoont. Dit leidt tot systematische afwijkingen tussen theoretische voorspellingen en experimentele halveringstijden.
• Doel: Het ontwikkelen van een nauwkeurige methode om $P_\alpha$ te extraheren en te voorspellen op basis van nucleaire structuureigenschappen, om zo de voorspelling van α-vervalhalveringstijden te verbeteren, vooral voor zware en superzware elementen.

2. Methodologie

De auteurs hanteren een hybride aanpak die machine learning combineert met gevestigde nucleaire theoretische modellen.

A. Theoretisch Kader: CPPM

Om de experimentele preformatiefactoren te bepalen, gebruiken de auteurs het Coulomb and Proximity Potential Model (CPPM).

• De halveringstijd wordt berekend via de tunnelkans (WKB-benadering) en de aanvalsfrequentie.
• Door de theoretische preformatiefactor op 1 te stellen, kan de experimentele $P_\alpha^{exp}$ worden afgeleid uit de verhouding tussen de berekende en de gemeten halveringstijd:
  $$P_\alpha^{exp} = \frac{T_{1/2}^{cal}}{T_{1/2}^{exp}}$$
• Het model houdt rekening met de Coulomb-potentiaal, de nucleaire nabijheidspotentiaal (Blocki et al.), en centrifugale termen. Voor deformatie wordt de potentiaal uitgebreid naar axiaal symmetrisch vervormde kernen.

B. Machine Learning: TabPFN

In plaats van traditionele regressie, wordt het Tabular Prior-data Fitted Network (TabPFN) ingezet.

• Architectuur: TabPFN is een Transformer-gebaseerd model dat is voorgetraind op miljoenen synthetische datasets gegenereerd via structurele causale modellen (SCM). Het is specifiek ontworpen voor kleine tot middelgrote tabulaire datasets.
• In-Context Learning (ICL): Het model vereist geen hertraining voor de nieuwe dataset. Het leert de relatie tussen invoer en output direct tijdens de inferentie door het hele dataset in één doorloop te verwerken.
• Invoereigenschappen (Features): Het model gebruikt negen kernfysische descriptors:
  1. Massagetal ($A$)
  2. Protonengetal ($Z$)
  3. Neutronengetal ($N$)
  4. α-verval-energie ($Q_\alpha$)
  5. Minimale impulsmoment ($l$)
  6. Kwartetdeformatie ($\beta_2$)
  7. Pariteit van protonen ($Z_p$)
  8. Pariteit van neutronen ($N_p$)
  9. Paar-effect ($\delta$)

C. Dataverwerking

• Trainingsset: 498 kernen (172 even-even, 261 oneven-A, 65 oneven-oneven) uit NUBASE2016 en AME2016.
• Validatie: Voorspellingen worden getest op 41 nieuw geëvalueerde kernen (Z > 104) uit NUBASE2020.
• Validatiemeta: De prestatie wordt gemeten aan de hand van de wortel-middelkwadratafwijking (RMSD, $\sigma_{rms}$) tussen de logaritmische voorspelde en experimentele $P_\alpha$.

3. Belangrijkste Resultaten

A. Prestatie van het Model

• Het TabPFN12-model (dat alle negen fysieke kenmerken combineert) bereikte een $\sigma_{rms}$ van 0,211 op de volledige dataset.
• Dit is een aanzienlijke verbetering ten opzichte van eerdere empirische formules (bijv. Ref. [44] en [63]), waarbij de fouten met 63,8% tot 66,8% werden gereduceerd.
• De toevoeging van specifieke kenmerken zoals paar-effecten ($\delta$), pariteit en deformatie ($\beta_2$) bleek essentieel voor het verbeteren van de nauwkeurigheid.

B. Fysische Inzichten en Correlaties

Het model slaagde erin om complexe nucleaire structurele effecten te leren zonder expliciete instructie:

• Oud-Even Staggering (OES): Het model reproduceert duidelijk het fenomeen waarbij kernen met ongepaarde nucleonen (oneven $N$ of $Z$) lagere $P_\alpha$-waarden hebben dan hun even-even buren. Dit bevestigt dat ongepaarde nucleonen de vorming van α-clusters op het kernoppervlak onderdrukken.
• Schil-effecten: Er zijn duidelijke sprongen in $P_\alpha$ waargenomen bij gesloten schillen ($Z=82$, $N=126$).
• Lineaire Correlaties: Er werd een sterke lineaire correlatie gevonden tussen $\log_{10} P_\alpha$ en $Q_\alpha^{-1/2}$ (uitbreiding van de Geiger-Nuttall wet naar preformatiefactoren) en met de fragmentatiepotentiaal $V_{frag}$.

C. Extrapolatie naar Superzware Elementen

Het model werd gebruikt om $P_\alpha$ en halveringstijden te voorspellen voor superzware kernen met $Z = 117$ tot $120$.

• De voorspellingen tonen een scherpe daling in halveringstijden bij het passeren van het neutronengetal $N = 184$.
• Deze snelle verandering suggereert dat $N = 184$ een nieuw magisch neutrongetal is in het gebied van superzware elementen, wat de stabiliteit van deze kernen beïnvloedt.

D. Robuustheid

De verbetering in de voorspelling van halveringstijden bleek robuust, ongeacht of het CPPM-model of een vervormde potentiaal (Coulomb + Woods-Saxon) werd gebruikt voor de tunnelberekening. De RMSD voor de trainingsset daalde van 2,028 (zonder $P_\alpha$ correctie) naar 0,211 (met TabPFN $P_\alpha$).

4. Bijdragen en Significantie

1. Methodologische Innovatie: Dit is een van de eerste toepassingen van TabPFN in de nucleaire fysica voor het extraheren van fundamentele parameters ($P_\alpha$) uit experimentele data. Het demonstreert dat Transformer-modellen, zelfs zonder hertraining, effectief kunnen zijn voor kleine datasets in de wetenschap.
2. Verbeterde Voorspellingskracht: De hybride aanpak (CPPM + TabPFN) levert de meest nauwkeurige voorspellingen voor α-vervalhalveringstijden tot nu toe, wat cruciaal is voor het interpreteren van experimenten met superzware elementen.
3. Nieuw Fysisch Inzicht: De studie bevestigt en kwantificeert de invloed van nucleaire structuur (deformatie, paar-effecten, schillen) op de preformatie van α-deeltjes.
4. Richting voor Toekomstig Onderzoek: De voorspelling van $N=184$ als een nieuw magisch getal biedt een concrete richtlijn voor toekomstige synthese-experimenten van superzware elementen en helpt bij het in kaart brengen van de "eiland van stabiliteit".

Conclusie

Het artikel presenteert een krachtige hybride methode die machine learning (TabPFN) koppelt aan traditionele nucleaire theorie (CPPM). Door de complexe relatie tussen nucleaire structuur en de α-preformatiefactor te leren, overtreft dit model bestaande empirische formules aanzienlijk. De resultaten bieden niet alleen betere voorspellingen voor bekende kernen, maar bieden ook betrouwbare inzichten in de structuur van nog onontdekte superzware elementen, met name rond het mogelijke magische neutrongetal 184.