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 ($\mathrm{TabPFN}$)

Atomen zijn de fundamentele bouwstenen van het zichtbare universum, maar hun kernen zijn niet altijd stabiel. In het hart van een atoom worden protonen en neutronen bij elkaar gehouden door krachtige krachten, maar wanneer de balans doorslaat, kan de kern instabiel worden en deeltjes afstoten om een comfortabelere staat te vinden. Dit proces, bekend als radioactief verval, is een natuurlijke klok die tikt aan de uiterste rand van de materie. Sommige atomen stoten een enkel proton af, anderen laten een paar protonen los, terwijl velen een compact bundeltje van twee protonen en twee neutronen uitzenden, bekend als een alfadeeltje. In zeldzame gevallen breken zelfs grotere clusters van deeltjes weg. Het voorspellen van hoe lang deze instabiele atomen precies zullen duren voordat ze vervallen, is een centrale uitdaging in de kernfysica, aangezien het de verborgen regels onthult die de structuur van materie beheersen en wetenschappers helpt de grenzen van het periodiek systeem te begrijpen.

Al bijna een eeuw vertrouwen natuurkundigen op wiskundige modellen om deze levensduur te schatten, waarbij ze de kern vaak behandelen als een eenvoudige sfeer en berekenen hoe waarschijnlijk het is dat een deeltje door een energiebarrière tunnelt om te ontsnappen. Hoewel deze traditionele modellen de basisprincipes van de fysica vatten, hebben ze vaak moeite om overeen te komen met de nauwkeurige metingen die in laboratoria worden verricht, vooral bij complexe, vreemd gevormde kernen of zeldzame soorten verval. Om deze kloof tussen theorie en realiteit te overbruggen, heeft een team onderzoekers een nieuwe aanpak ontwikkeld die een klassiek fysisch model combineert met een moderne kunstmatige intelligentie-tool. Door de gevestigde wetten van de kernfysica te versmelten met een machine learning-systeem dat is ontworpen om te leren van kleine datasets, hebben zij een methode gecreëerd die de levensduur van vervallende atomen met ongekende nauwkeurigheid voorspelt.

De onderzoekers richtten zich op vier verschillende manieren waarop instabiele atomen hun overtollige energie afstoten: de emissie van een enkel proton, de gelijktijdige release van twee protonen, de uitstoot van een alfadeeltje en de emissie van grotere clusters van deeltjes. Ze verzamelden gegevens over 583 verschillende radioactieve kernen, een collectie die zeldzame voorbeelden bevatte van twee-proton-emittenten, tientallen proton-emittenten, honderden alfa-emittenten en een selectie van cluster-emittenten. Hun vertrekpunt was een bekend fysisch kader genaamd het gedeformeerde Gamow-achtige model. Dit model behandelt de kern niet als een perfecte sfeer, maar als een vorm die uitgerekt of ingedeukt kan worden, wat invloed heeft op hoe gemakkelijk deeltjes kunnen ontsnappen. Het model berekent de tijd die een deeltje nodig heeft om door de nucleaire barrière te tunnelen, maar het vertrouwt op een paar aanpasbare getallen om de realiteit te benaderen, zoals de effectieve grootte van de kern en een factor die rekening houdt met hoe de interne rangschikking van protonen en neutronen het proces kan vertragen.

Om deze berekeningen te verbeteren, introduceerde het team een geavanceerd machine learning-systeem bekend als een Tabular Prior-data Fitted Network. In tegenstelling tot veel kunstmatige intelligentiesystemen die enorme hoeveelheden data nodig hebben om te leren, is dit hulpmiddel specifiek ontworpen om hoogprecisievoorspellingen te doen vanuit kleine datasets, wat ideaal is voor de kernfysica waar experimentele data schaars kunnen zijn. De onderzoekers lieten de computer niet simpelweg de antwoorden raden; in plaats daarvan gebruikten ze de AI om de subtiele patronen te leren die het fysische model miste. Ze voedden het systeem met informatie over de kern, zoals het aantal protonen en neutronen, de energie die vrijkomt tijdens het verval en de vorm van de kern. De AI leerde vervolgens een specifieke correctiefactor te voorspellen die de theoretische berekening aanpast om overeen te komen met wat er daadwerkelijk in experimenten wordt waargenomen.

De resultaten van deze hybride aanpak waren opmerkelijk. Toen de onderzoekers hun nieuwe methode testten tegen de experimentele gegevens, werden de voorspellingen aanzienlijk nauwkeuriger over alle vier de vervalmodi. Voor de emissie van enkelvoudige protonen daalde de fout in de voorspellingen met meer dan 80 procent vergeleken met het fysische model alleen. Voor alfa-verval, de meest voorkomende vorm van radioactief verval die wordt bestudeerd, nam de fout met bijna 88 procent af. De meest succesvolle versie van hun model, die de geoptimaliseerde fysische parameters combineerde met de AI-correcties, bereikte een precisieniveau dat ongeveer 82 procent beter was dan het ongecorrigeerde fysische model. Deze verbetering was niet slechts een statistische toevalligheid; het model behield zijn nauwkeurigheid, zelfs wanneer het werd getest op data die het nog nooit eerder had gezien, wat bewees dat het de onderliggende regels van verval had geleerd in plaats van alleen de voorbeelden te memoriseren.

Buiten het simpelweg goed krijgen van de getallen, reproduceerde het nieuwe model succesvol complexe gedragingen die moeilijk te vangen zijn met eenvoudige formules. Het beschreef bijvoorbeeld accuraat hoe de levensduur van alfa-emitterende atomen verandert naarmate het aantal neutronen toeneemt, inclusen de plotselinge sprongen in stabiliteit die optreden wanneer de kern een specifiek "magisch" aantal neutronen bereikt, zoals 126. Dit vermogen om het shell-closure effect te vangen suggereert dat het model impliciet de structurele details van de kern heeft geleerd, ook al was het niet expliciet geprogrammeerd met die regels. De onderzoekers gebruikten hun verfijnde model ook om de levensduur te voorspellen van atomen die nog niet in laboratoria zijn waargenomen of gemeten, inclusief potentiële kandidaten voor twee-proton-verval en superzware elementen aan de uiterste rand van het periodiek systeem. Deze voorspellingen bieden een routekaart voor toekomstige experimenten en leiden wetenschappers naar waar ze naar nieuwe vormen van materie kunnen zoeken.

De studie toont aan dat de toekomst van de kernfysica mogelijk ligt in de zorgvuldige integratie van traditionele fysische theorieën met moderne datagestuurde tools. Door de gevestigde wetten van de kwantummechanica te respecteren terwijl ze machine learning de ruimte geven om te corrigeren voor de complexiteiten van reële kernen, hebben de onderzoekers een krachtig nieuw instrument gecreëerd om de atomaire wereld te verkennen. Hun werk laat zien dat er, zelfs in een vakgebied dat wordt beheerst door fundamentele constanten, nog steeds ruimte is voor verfijning, en dat het combineren van menselijk inzicht met kunstmatige intelligentie patronen kan onthullen die noch de één, noch de ander alleen zou kunnen vinden. Dit hybride kader biedt een betrouwbare manier om het gedrag van instabiele atomen te voorspellen, wat helpt bij het in kaart brengen van de grenzen van nucleaire stabiliteit en het verdiepen van ons begrip van de krachten die het universum bij elkaar houden.