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

Este estudo estende o efeito de não localidade do partícula alfa à abordagem de dois potenciais e otimiza suas previsões de meias-vidas de decaimento alfa utilizando modelos de aprendizado de máquina, demonstrando que as regressões por árvore de decisão e XGBRegressor superam métodos anteriores e apresentam consistência com modelos empíricos estabelecidos para núcleos superpesados.

O essencial

Imagine que o núcleo de um átomo é como uma bola de boliche presa dentro de um poço. Para que essa bola escape (o que chamamos de "decaimento alfa"), ela precisa fazer algo impossível segundo a física clássica: ela precisa atravessar a parede do poço sem ter força suficiente para quebrá-la. Na física quântica, isso é chamado de tunelamento. É como se a bola, por um milagre, aparecesse do outro lado da parede sem ter atravessado o caminho.

Este artigo de pesquisa é sobre como os cientistas Jinyu Hu e Chen Wu tentaram prever com mais precisão o tempo que essa "bola" leva para escapar de núcleos atômicos pesados, especialmente os superpesados (os elementos mais pesados que já criamos em laboratório).

Aqui está a explicação do que eles fizeram, usando analogias do dia a dia:

1. O Problema: A "Massa" que Muda

Antes, os cientistas usavam uma fórmula chamada "Abordagem de Duplo Potencial" (TPA) para calcular esse tempo de fuga. Eles sabiam que a física não era perfeita, então adicionaram um conceito chamado efeito de não-localidade.

• A Analogia: Imagine que a bola de boliche (a partícula alfa) não tem um peso fixo. À medida que ela se move perto das paredes do poço, ela se sente mais leve ou mais pesada, dependendo de onde está. Isso é o "efeito de não-localidade".
• O Desafio: Calcular exatamente como esse peso muda é muito difícil e chato. Antes, os cientistas tinham que adivinhar ou ajustar esse valor manualmente, como tentar acertar o volume de um rádio girando o botão às cegas até o som ficar perfeito.

2. A Solução: O "Treinador" Inteligente (Machine Learning)

Os autores decidiram usar Inteligência Artificial (Machine Learning) para fazer esse ajuste chato por eles. Eles usaram três tipos de "alunos" digitais para aprenderem a regra do jogo:

1. Árvore de Decisão (Decision Tree): Como um jogo de "20 perguntas" onde você chega a uma resposta seguindo um caminho de sim/não.
2. Floresta Aleatória (Random Forest): Uma equipe de muitos "jogos de 20 perguntas" que votam na melhor resposta.
3. XGBoost: Um aluno superdotado que aprende com seus próprios erros anteriores para ficar cada vez mais rápido e preciso.

Eles alimentaram esses "alunos" com dados de 196 núcleos atômicos reais. O objetivo era ensinar a IA a prever qual seria o "peso variável" da partícula para cada núcleo específico.

3. O Resultado: Quem Ganhou?

Depois de treinados, os modelos foram testados:

• A Floresta Aleatória foi boa, mas não a melhor.
• A Árvore de Decisão e o XGBoost foram os campeões. Eles conseguiram prever o tempo de fuga com muito mais precisão do que os métodos antigos.
• A Melhorada: Ao usar a IA, o erro nas previsões caiu em mais de 50%. Foi como trocar um mapa desenhado à mão por um GPS de alta precisão.

4. Olhando para o Futuro: Previsão de Elementos Inexistentes

O passo final foi usar esses modelos "campeões" para prever o comportamento de elementos que ainda não foram descobertos ou são muito instáveis (os elementos 118 e 120).

• Eles previram quanto tempo esses novos "monstros" atômicos viveriam antes de se desintegrar.
• As previsões da Árvore de Decisão combinaram perfeitamente com outra fórmula famosa usada por outros cientistas (chamada "New+D").
• Isso sugere que, na região desses elementos superpesados, existem "números mágicos" de nêutrons (como 180 e 186) que tornam o núcleo mais estável, como se fossem pilares de sustentação invisíveis.

Resumo em uma frase

Os cientistas usaram Inteligência Artificial para ensinar um computador a entender como o "peso" de uma partícula muda enquanto ela escapa de um átomo, conseguindo prever com muito mais precisão quanto tempo os elementos mais pesados do universo vivem, o que ajuda os laboratórios a saberem o que procurar na próxima vez que tentarem criar novos elementos.

Por que isso importa?
É como se eles tivessem criado um oráculo digital. Em vez de gastar anos e milhões de dólares tentando criar um elemento e falhar porque não sabiam o que esperar, agora eles têm uma ferramenta que diz: "Ei, se você tentar criar o elemento X, ele vai durar Y segundos". Isso guia a ciência experimental para onde ela tem mais chances de sucesso.

Resumo técnico

Título: Efeito de Não Localidade no Tunelamento da Radioatividade Alfa com o Auxílio de Aprendizado de Máquina

Autores: Jinyu Hu e Chen Wu (Universidade Normal de Zhejiang, China)

---

1. O Problema

O decaimento alfa ($\alpha$) é um processo fundamental na física nuclear, essencial para a compreensão da estrutura nuclear e para a identificação de núcleos pesados e superpesados sintetizados em laboratório. Embora a teoria do tunelamento quântico (modelo de Gamow) e abordagens como a Abordagem de Duplo Potencial (TPA - Two-Potential Approach) tenham sido bem-sucedidas, elas frequentemente assumem uma massa efetiva constante para a partícula $\alpha$.

Recentes estudos indicaram que a não localidade do potencial nuclear pode alterar a massa efetiva da partícula $\alpha$ de forma dependente da coordenada ($m^*$). Incorporar esse efeito na TPA melhora os resultados, mas a determinação do parâmetro de ajuste ($\rho_S$) que governa essa variação de massa tradicionalmente exigia ajustes manuais ou empíricos para cada núcleo, o que é limitado e pouco escalável. O desafio é otimizar esse parâmetro de forma sistemática e precisa para prever meias-vidas de decaimento alfa, especialmente para núcleos superpesados ainda não sintetizados.

2. Metodologia

Os autores propõem uma abordagem híbrida que integra a física nuclear teórica com técnicas modernas de Aprendizado de Máquina (ML) supervisionado.

• Framework Teórico (TPA Aprimorado):

  • Utilizam a Abordagem de Duplo Potencial (TPA) para calcular a largura de decaimento e a meia-vida ($T_{1/2}$).
  • Incorporam o efeito de não localidade, definindo uma massa reduzida efetiva $\mu$ que depende de uma função $\rho(r)$.
  • O parâmetro chave $\rho_S$ (que controla a magnitude da não localidade) é tratado como uma variável de saída a ser otimizada.
  • A probabilidade de pré-formação do cluster $\alpha$ é calculada usando o modelo de formação de cluster.

• Técnicas de Aprendizado de Máquina:

  • Foram utilizados três modelos de regressão baseados em árvores de decisão:
    1. Árvore de Decisão (DT - Decision Tree)
    2. Floresta Aleatória (RF - Random Forest)
    3. XGBoost (XG - Extreme Gradient Boosting)
  • Dados de Treinamento: O conjunto de dados consistiu em 196 núcleos par-par (even-even) com números atômicos $Z$ entre 52 e 118.
  • Entradas (Features): Os valores de $Z/\sqrt{Q_\alpha}$ e $A$ (número de massa), baseados na fórmula empírica de Royer.
  • Saída (Target): Os valores de $\rho_S$ previamente ajustados manualmente para minimizar a diferença entre as meias-vidas calculadas e experimentais (com desvio < 0,001).
  • Otimização: Os hiperparâmetros dos modelos foram otimizados automaticamente para maximizar a precisão.

• Validação e Predição:

  • Os modelos foram validados comparando as meias-vidas calculadas com dados experimentais.
  • O modelo otimizado foi estendido para prever as meias-vidas de 20 núcleos par-par superpesados com $Z=118$ e $Z=120$.
  • As previsões foram comparadas com dois modelos de referência: o modelo empírico melhorado de Deng-Zhang-Royer (DUR) e a nova expressão empírica de Denisov (New+D), que inclui efeitos de deformação nuclear.

3. Principais Contribuições

1. Otimização Automatizada de Parâmetros Físicos: A aplicação bem-sucedida de algoritmos de ML (DT e XGBoost) para determinar o parâmetro de não localidade ($\rho_S$) de forma automática, substituindo o ajuste manual tradicional.
2. Integração Física-ML: Demonstração de que o aprendizado de máquina pode capturar características físicas complexas (como a dependência da massa efetiva com a coordenada) dentro de um framework teórico estabelecido (TPA).
3. Predição para a Região Superpesada: Geração de previsões confiáveis para meias-vidas de decaimento alfa de núcleos com $Z=118$ e $Z=120$, fornecendo dados cruciais para experimentos futuros de síntese de elementos.

4. Resultados

• Desempenho dos Modelos:

  • Os modelos Decision Tree (DT) e XGBoost (XG) demonstraram o melhor desempenho, superando o modelo de Floresta Aleatória (RF) na precisão da previsão da meia-vida, embora o RF tenha tido um desempenho ligeiramente superior na regressão direta do parâmetro $\rho_S$.
  • Redução do Desvio Padrão: A inclusão do efeito de não localidade otimizado por ML resultou em uma melhoria significativa na precisão:
    • DT: Redução de 54,5% no desvio padrão em relação à TPA sem não localidade.
    • XG: Redução de 53,7% no desvio padrão.
    • RF: Redução de 46,7%.
  • Os desvios entre teoria e experimento caíram predominantemente para dentro de $\pm 0,5$ unidades logarítmicas.

• Exemplos Específicos:

  • Para núcleos como $^{108}\text{Xe}$, $^{114}\text{Ba}$, $^{184}\text{Hg}$ e $^{290}\text{Fl}$, a inclusão da não localidade via ML reduziu os desvios em até 99,64% e 100% em alguns casos, demonstrando a sensibilidade do modelo a esses efeitos.

• Predições para $Z=118$ e $Z=120$:

  • As previsões do modelo DT mostraram alta consistência com a expressão empírica New+D (que considera deformação nuclear).
  • O modelo XG apresentou algumas divergências em relação aos outros dois, mas manteve tendências físicas coerentes.
  • Estrutura Nuclear: As previsões sugerem que $N=186$ pode ser um número mágico de nêutrons e $N=180$ um número submágico nesta região, com picos de estabilidade observados nas curvas de meia-vida.

5. Significância

Este trabalho representa um avanço significativo na modelagem de decaimento radioativo ao demonstrar que o aprendizado de máquina não é apenas uma ferramenta de "caixa preta", mas pode ser usado para refinar parâmetros físicos fundamentais em modelos teóricos.

• Impacto Experimental: As previsões de meias-vidas para elementos $Z=118$ e $Z=120$ fornecem orientações críticas para laboratórios de fusão (como GSI, RIKEN, JINR) sobre quais isótopos têm maior probabilidade de serem sintetizados e detectados.
• Validação Física: A consistência entre o modelo baseado em ML e as fórmulas empíricas que incluem deformação nuclear valida a importância de considerar efeitos de não localidade e deformação na descrição do tunelamento alfa.
• Futuro: O estudo abre caminho para o uso de ML na extração de características físicas subjacentes a parâmetros de modelos nucleares, permitindo uma compreensão mais profunda da dinâmica do decaimento alfa além da simples previsão numérica.