Nonlocality Effect in the Alpha decay half-lives of superheavy nuclei with XGBRegressor

Dit artikel generaliseert het niet-lokale effect van alfa-nucleus-interacties tot oneven-kernsystemen binnen het tweepotentiaalbenaderingskader, optimaliseert de parameters met een geavanceerd XGBRegressor-model en berekent hiermee alfadecay-halflevens van superzware kernen met een aanzienlijk verbeterde nauwkeurigheid.

De kern

De Superzware Atomen en de Slimme Voorspeller: Een Verhaal over Kernen die Verdampen

Stel je voor dat het atoomkern een enorme, drukke stad is. In het midden wonen de zware bewoners (de superzware elementen), en soms besluiten deze steden om een klein stukje van zichzelf af te werpen om wat rustiger te worden. Dit stukje is een alfadeeltje (eigenlijk een heliumkern). Wanneer dit stukje de stad verlaat, noemen we dat alfaverval.

De vraag voor wetenschappers is: Hoe lang duurt het voordat deze stad instort en het stukje weg is? Dit noemen we de halveringstijd. Bij sommige steden gebeurt dit in een fractie van een seconde, bij anderen duurt het miljarden jaren.

In dit paper proberen twee onderzoekers, Jinyu Hu en Chen Wu, een heel lastig raadsel op te lossen: hoe voorspellen we precies hoe lang deze superzware steden bestaan, vooral die die we nog nooit hebben gezien?

Hier is hoe ze het aanpakken, vertaald naar alledaags taal:

1. De Oude Kaart (De Twee-Potential Benadering)

Stel je voor dat de kern een heuvel is en het alfadeeltje een bal die eroverheen moet rollen. Om de heuvel over te komen, moet de bal "tunnelen" (een quantum-magische truc waarbij de bal door de muur loopt in plaats van er overheen).

Vroeger gebruikten wetenschappers een simpele kaart (een wiskundig model genaamd TPA) om te berekenen hoe snel deze bal de heuvel overkomt. Maar deze kaart was niet helemaal nauwkeurig. Het was alsof je een oude GPS gebruikt die de wegen niet goed kent: je komt wel bij je bestemming, maar je bent veel later dan verwacht.

2. Het Geheim van de "Niet-Lokale" Effecten

De onderzoekers ontdekten dat er een verborgen factor was die ze over het hoofd zagen: het niet-lokale effect.

• De Analogie: Stel je voor dat je door een drukke menigte loopt. Als je alleen loopt, is je snelheid makkelijk te voorspellen. Maar als je door een menigte loopt die reageert op jouw beweging (ze wijken uit of duwen terug), verandert je snelheid en je pad. De "zwaarte" van je lichaam voelt anders aan afhankelijk van waar je bent.
• In de kern is het alfadeeltje niet alleen een statische bal; het interageert met de rest van de kern op een complexe manier. Dit maakt de "weg" die het deeltje aflegt onvoorspelbaar met de oude simpele formules.

3. De Slimme Computer (XGBRegressor)

Hier komt de magie van de moderne technologie om de hoek kijken. De onderzoekers gebruikten geen nieuwe, ingewikkelde wiskundige formules, maar een slimme computer (een machine learning-model genaamd XGBRegressor).

• De Analogie: Stel je voor dat je een oude kaart hebt die niet klopt. In plaats van de hele kaart opnieuw te tekenen, geef je een super-slimme GPS (de computer) een lijst met 599 bekende steden en hun reistijden. De computer kijkt naar de patronen: "Ah, bij dit type stad gaat de bal sneller, bij dat type langzamer."
• De computer leert dan zelf de "verborgen regels" (de parameters) die de oude kaart mist. Het past de "zwaarte" van het deeltje aan, afhankelijk van de situatie, net zoals een slimme GPS rekening houdt met file en verkeerslichten.

4. Het Resultaat: Een Scherpe Voorspelling

Het resultaat was verbazingwekkend:

• De oude kaart had een foutmarge van ongeveer 82%.
• De nieuwe kaart, aangepast door de slimme computer, had een foutmarge van slechts 0,47%.
• Dat is alsof je van een GPS die je 10 minuten laat wachten, naar een die je precies op tijd laat aankomen.

De onderzoekers gebruikten deze verbeterde methode om de levensduur van 142 superzware atomen te voorspellen die protonen hebben tussen 117 en 120. Dit zijn elementen die zo zwaar zijn dat ze op de rand van het periodiek systeem staan en waarschijnlijk nog niet eens volledig zijn ontdekt.

5. Waarom is dit belangrijk?

Het is alsof je een schatkaart tekent voor een eiland dat nog niet bestaat.

• Als je weet hoe lang deze superzware atomen leven, weten wetenschappers waar en hoe ze ze moeten zoeken in hun laboratoria.
• Het helpt ons te begrijpen waarom sommige atomen stabiel zijn en andere direct uit elkaar vallen. Het is een stap dichter bij het vinden van het "eiland van stabiliteit", een plek in het universum waar superzware elementen misschien wel eeuwig kunnen bestaan.

Samenvattend:
De onderzoekers hebben een oude, onnauwkeurige manier om atoomkernen te bestuderen opgefrist door een slimme computer erbij te halen. Die computer heeft de "verborgen regels" van de natuur ontdekt en nu kunnen we veel beter voorspellen hoe lang de zwaarste atomen in het universum bestaan. Het is een perfecte samenwerking tussen de klassieke natuurkunde en de moderne kunstmatige intelligentie.

Technische samenvatting

Titel: Niet-lokale effecten in de halveringstijden van alfaverval van zware kernen met XGBRegressor

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

---

1. Probleemstelling

Het voorspellen van de halveringstijden ($T_{1/2}$) van alfaverval is cruciaal voor het begrijpen van de structuur van zware en superzware kernen, en voor het leiden van experimenten gericht op de synthese van nieuwe elementen. Hoewel er diverse empirische formules (zoals Geiger-Nuttall, UDL, MUDL) en theoretische modellen (zoals het Twee-Potentiaalbenadering of TPA) bestaan, vertonen deze vaak afwijkingen ten opzichte van experimentele data, vooral voor zeldzame kernen zoals oneven-A en oneven-oneven kernen.

De specifieke uitdagingen die in dit artikel worden aangepakt zijn:

• De beperkte nauwkeurigheid van het standaard TPA-model bij het beschrijven van de interactie tussen het alfadeeltje en de kern.
• Het ontbreken van een robuuste methode om de niet-lokale effecten (nonlocality) van het alfadeeltje te kwantificeren en te optimaliseren voor verschillende soorten kernen (even-even, oneven-A, oneven-oneven).
• De noodzaak om betrouwbare voorspellingen te doen voor nog niet ontdekte superzware kernen (Z = 117–120).

2. Methodologie

De auteurs combineren geavanceerde kernfysica met machine learning in een hybride aanpak:

A. Theoretisch Kader: Twee-Potentiaalbenadering (TPA)
Het onderzoek baseert zich op het TPA-framework, waarbij de halveringstijd wordt berekend via de vervalbreedte ($\Gamma$):
$$T_{1/2} = \frac{\hbar \ln 2}{\Gamma}$$
De vervalbreedte hangt af van de preformatiefactor ($P_\alpha$), de normalisatieconstante ($F$) en de penetratiekans ($P$).

• Potentiaal: De kernpotentiaal wordt beschreven met een cosh-parametrisatie.
• Niet-lokale effecten: De auteurs introduceren een coördinaat-afhankelijke massa ($m^*$) voor het alfadeeltje, gebaseerd op het werk van Medeiros et al. De effectieve massa wordt gedefinieerd als $m^* = m / (1 - \rho(r))$, waarbij $\rho(r)$ een functie is van de radiale variabele.
• Cluster-vormingsmodel (CFM): Dit model wordt gebruikt om de preformatiefactor $P_\alpha$ te berekenen voor even-even, oneven-A en oneven-oneven kernen.

B. Machine Learning: XGBRegressor
Om de parameters van het niet-lokale effect (specifiek de parameter $\rho_S$ die de diffusie van de kernpotentiaal beïnvloedt) te optimaliseren, wordt XGBoost (eXtreme Gradient Boosting) ingezet.

• Input-features: Hoekmomentum van de moederkern, alfa-preformatiekans, asymmetrieterm van de moederkern en de wortel van de vervalenergie ($\sqrt{Q_\alpha}$).
• Output: De massaparameter $\rho_S$.
• Training: Het model is getraind op experimentele data van 599 kernen (Z = 52–118). De parameters zijn geoptimaliseerd om de afwijking tussen berekende en experimentele halveringstijden te minimaliseren.

C. Validatie en Voorspelling
Het geoptimaliseerde model wordt toegepast op 142 superzware kernen (Z = 117–120). De resultaten worden vergeleken met twee gevestigde modellen:

1. DZR-model: Een verbeterde empirische formule van Deng et al.
2. MUDL-model: De "Modified Universal Decay Law" van Soylu et al.

3. Belangrijkste Bijdragen

1. Generalisatie naar oneven kernen: Voor het eerst wordt het niet-lokale effect binnen het TPA-framework succesvol toegepast op oneven-A en oneven-oneven kernen, niet alleen op even-even kernen.
2. Machine Learning-integratie: De auteurs introduceren een XGBRegressor om de complexe, coördinaat-afhankelijke parameters van het niet-lokale effect te voorspellen in plaats van ze handmatig of via eenvoudige fitting te bepalen.
3. Verbeterde nauwkeurigheid: Het gecombineerde model (TPA + XG) levert een significante verbetering op in de voorspellende kracht voor alfaverval.

4. Resultaten

• Statistische Verbetering: Bij toepassing op 599 kernen (Z = 52–118) resulteert het verbeterde TPA-model in een Root-Mean-Square (RMS) afwijking die 74,8% lager is dan die van het originele TPA-model zonder niet-lokale correctie.
  • Standaardafwijking ($\sigma$): Daalde van 0,82058 (zonder niet-lokale effect) naar 0,46929 (met niet-lokale effect en XG).
• Modelprestaties: Het XGB-model toonde een $R^2$ van 0,56, wat aangeeft dat het model een redelijke correlatie vindt, hoewel er ruimte is voor verbetering door het opnemen van meer fysieke parameters (zoals vervorming).
• Voorspelling Superzware Kernen: Voor de 142 superzware kernen (Z = 117–120) tonen de voorspellingen van het verbeterde TPA-model een zeer sterke overeenkomst met de DZR-modelresultaten. De resultaten van het MUDL-model wijken iets meer af.
• Schalings-effect: De resultaten bevestigen dat $N=184$ een waarschijnlijke magische neutronengetal is voor superzware kernen, wat consistent is met eerdere studies.
• Uitzonderingen: Er werden enkele afwijkingen geconstateerd (bijv. voor Z=117, N=188), wat waarschijnlijk te wijten is aan de onnauwkeurigheid in de voorspelling van de alfa-preformatiekans door het ML-model.

5. Betekenis en Conclusie

Dit onderzoek demonstreert dat de integratie van machine learning (XGBoost) met fundamentele kernfysische modellen (TPA) een krachtige strategie is om de nauwkeurigheid van theoretische voorspellingen te verhogen.

• Wetenschappelijke Impact: De methode biedt een robuustere basis voor het begrijpen van de structuur van superzware kernen en de rol van niet-lokale effecten in de kernkracht.
• Praktische Toepassing: De nauwkeurige voorspellingen van halveringstijden voor nog niet ontdekte isotopen (Z=117-120) kunnen experimentatoren bij laboratoria zoals GSI, RIKEN en JINR helpen bij het plannen van synthese-experimenten en het identificeren van nieuwe elementen.
• Toekomstperspectief: De auteurs stellen voor om in toekomstig werk meer fysieke parameters (zoals kernvervorming) op te nemen in het ML-model en geavanceerdere methoden te gebruiken om de preformatiekans nauwkeuriger te berekenen, waardoor de betrouwbaarheid van de voorspellingen verder kan worden verhoogd.

Samenvattend bewijst dit artikel dat "Physics-informed Machine Learning" de standaardmodellen voor alfaverval aanzienlijk kan verbeteren, met name voor complexe, oneven kernen en de zoektocht naar de "eiland van stabiliteit".