Physics-guided residual correction of $\alpha$-decay half-lives based on the effective liquid drop model

Resumo Técnico: Correção de Resíduo Guiada pela Física de Meia-vidas de Decaimento $\alpha$ Baseada no Modelo de Gota Líquida Efetiva

Definição do Problema
A previsão precisa das meia-vidas de decaimento $\alpha$ em núcleos pesados e superpesados é crítica para estudos de estrutura nuclear, investigações de estabilidade e a identificação de novos nuclídeos. Embora o Modelo de Gota Líquida Efetiva (ELDM) forneça um arcabouço macroscópico fisicamente intuitivo para descrever o processo de penetração da barreira, ele apresenta limitações. Como um modelo macroscópico, o ELDM não incorpora totalmente efeitos microscópicos da estrutura nuclear, como deformação nuclear, estruturas de camadas, correlações de emparelhamento e impedimento de momento angular. Consequentemente, desvios residuais sistemáticos persistem entre as previsões do ELDM e os dados experimentais, particularmente para sistemas de $A$ ímpar e ímpar-ímpar. Abordagens de aprendizado de máquina (ML) puramente baseadas em dados carecem frequentemente de interpretabilidade física, enquanto modelos teóricos tradicionais lutam para capturar correlações não lineares complexas ocultas em conjuntos de dados de alta dimensão.

Metodologia
Os autores propõem um arcabouço de correção de resíduo guiado pela física que integra o ELDM com aprendizado de máquina. A metodologia procede em três estágios:

1. Base Macroscópica (ELDM): O ELDM é empregado para calcular as meia-vidas teóricas ($T_{1/2}^{ELDM}$). Neste modelo, o decaimento $\alpha$ é tratado como um processo semelhante à fissão, onde o núcleo pai evolui para uma configuração dinuclear (partícula $\alpha$ emitida e núcleo filho). A penetrabilidade da barreira é calculada usando a aproximação semiclássica WKB ao longo de uma coordenada coletiva unidimensional, contabilizando barreiras de gota líquida internas e barreiras externas de Coulomb/centrífuga.
2. Definição do Resíduo: A discrepância entre a previsão do ELDM e os dados experimentais é definida como a quantidade residual: $\Delta = \log_{10} T_{1/2}^{ELDM} - \log_{10} T_{1/2}^{exp}$.
3. Correção por Aprendizado de Máquina: Dois modelos de ML para amostras pequenas, XGBoost (árvores de decisão potencializadas por gradiente) e TabPFN (um modelo de fundação probabilístico para dados tabulares), são treinados para prever o resíduo $\Delta$. O arcabouço utiliza vários grupos de descritores motivados fisicamente para caracterizar tanto o comportamento global de decaimento quanto os efeitos microscópicos ausentes:
   • Básicos: Número de prótons ($Z$), número de nêutrons ($N$) e energia de decaimento ($Q_\alpha$).
   • Deformação: Um descritor de deformação assinado ($x_{def}$) derivado do parâmetro de deformação quadrupolar $\beta_2$.
   • Geiger-Nuttall: O termo $Z/\sqrt{Q_\alpha}$.
   • Momento Angular: O momento angular orbital mínimo ($l_{min}$) para contabilizar o impedimento centrífugo.
     Quatro combinações de características (term1 a term4) foram testadas, adicionando progressivamente esses descritores.

Principais Contribuições

• Arcabouço Híbrido: O artigo introduz uma estratégia onde o ELDM fornece as restrições físicas e a tendência global, enquanto o ML aprende os desvios residuais específicos decorrentes de efeitos de estrutura microscópica. Isso preserva a interpretabilidade física ao mesmo tempo em que aumenta a precisão.
• Engenharia de Características: A construção sistemática de descritores motivados fisicamente (deformação, características de Geiger-Nuttall e $l_{min}$) permite que o modelo vise explicitamente os mecanismos físicos específicos que faltam no baseline ELDM.
• Comparação de Modelos: Uma comparação sistemática entre XGBoost e TabPFN é conduzida em um conjunto de dados derivado de NUBASE2020 e AME2020, cobrindo núcleos pesados e superpesados.

Resultos

• Melhoria de Desempenho: Todas as correções de resíduo baseadas em ML melhoraram significativamente a precisão preditiva do baseline ELDM. O modelo TabPFN com o conjunto de características "term3" (contendo $Z, N, Q_\alpha, x_{def}, Z/\sqrt{Q_\alpha}, l_{min}$) alcançou o melhor desempenho.
• Métricas Quantitativas: O modelo TabPFN-term3 reduziu o Erro Quadrático Médio (RMSE) de 0,567 (baseline ELDM) para 0,348 (uma melhoria de 38,60%) e o Erro Médio Absoluto (MAE) de 0,417 para 0,248 (uma melhoria de 40,46%).
• Importância das Características: A análise de ablação de características revelou que a inclusão de quantidades relacionadas à deformação e ao momento angular orbital mínimo foi crucial. A remoção dos descritores de deformação (term4) levou à degradação do desempenho, confirmando que os efeitos de deformação nuclear contribuem significativamente para os desvios residuais.
• Distribuição do Resíduo: As previsões corrigidas mostraram uma distribuição de resíduos significativamente mais concentrada em torno de zero em comparação com o baseline, com uma supressão substancial da região de cauda longa associada a grandes desvios.
• Comportamento do Modelo: O TabPFN demonstrou, de modo geral, um desempenho mais estável e uma melhor capacidade de aprender estruturas residuais não lineares complexas a partir de dados limitados em comparação ao XGBoost.

Significância
Os autores afirmam que este arcabouço de correção de resíduo guiado pela física oferece uma estratégia viável para a previsão de alta precisão de meia-vidas de decaimento $\alpha$. Ao compensar os efeitos de estrutura nuclear microscópica ausentes sem descartar a base física macroscópica, a abordagem alcança alta precisão mantendo a interpretabilidade física. O estudo sugere que os desvios residuais em modelos macroscópicos contêm informações microscópicas sistemáticas que podem ser extraídas efetivamente através de aprendizado de máquina para amostras pequenas. Esta metodologia híbrida é apresentada como um guia potencial para investigações futuras em outros processos de decaimento nuclear e problemas de estrutura nuclear.