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 ($\mathrm{TabPFN}$)

Os átomos são os blocos de construção fundamentais do universo visível, mas seus núcleos nem sempre são estáveis. No coração de um átomo, prótons e nêutrons são mantidos unidos por forças poderosas, mas quando o equilíbrio se inclina, o núcleo pode tornar-se instável e desprender partículas para encontrar um estado mais confortável. Esse processo, conhecido como decaimento radioativo, é um relógio natural que tiquetaqueia na própria borda da matéria. Alguns átomos descartam um único próton, outros liberam um par de prótons, enquanto muitos emitem um pacote compacto de dois prótons e dois nêutrons, conhecido como partícula alfa. Em casos raros, até mesmo aglomerados maiores de partículas se desprendem. Prever exatamente quanto tempo esses átomos instáveis durarão antes de decair é um desafio central na física nuclear, pois revela as regras ocultas que governam a estrutura da matéria e ajuda os cientistas a compreenderem os limites da tabela periódica.

Por quase um século, os físicos confiaram em modelos matemáticos para estimar esses tempos de vida, frequentemente tratando o núcleo como uma esfera simples e calculando a probabilidade de uma partícula atravessar por tunelamento uma barreira de energia para escapar. Embora esses modelos tradicionais capturem a física básica, eles frequentemente têm dificuldade em corresponder às medições precisas feitas em laboratórios, especialmente ao lidar com núcleos complexos e de formas estranhas ou tipos de decaimento raros. Para preencher essa lacuna entre a teoria e a realidade, uma equipe de pesquisadores desenvolveu uma nova abordagem que combina um modelo físico clássico com uma ferramenta moderna de inteligência artificial. Ao fundir as leis estabelecidas da física nuclear com um sistema de aprendizado de máquina projetado para aprender com pequenos conjuntos de dados, eles criaram um método que prevê os tempos de vida de átomos em decaimento com uma precisidade sem precedentes.

Os pesquisadores focaram em quatro maneiras distintas pelas quais átomos instáveis descartam seu excesso de energia: a emissão de um único próton, a liberação simultânea de dois prótons, a ejeção de uma partícula alfa e a emissão de aglomerados maiores de partículas. Eles reuniram dados de 583 núcleos radioativos diferentes, uma coleção que incluiu exemplos raros de emissores de dois prótons, dezenas de emissores de prótons, centenas de emissores alfa e uma seleção de emissores de aglomerados. O ponto de partida foi uma estrutura física bem conhecida chamada modelo deformado do tipo Gamow. Este modelo trata o núcleo não como uma esfera perfeita, mas como uma forma que pode ser esticada ou esmagada, o que afeta a facilidade com que as partículas podem escapar. O modelo calcula o tempo que uma partícula leva para atravessar por tunelamento a barreira nuclear, mas depende de alguns números ajustáveis para corresponder à realidade, como o tamanho efetivo do núcleo e um fator que contabiliza como o arranjo interno de prótons e nêutrons pode retardar o processo.

Para melhorar esses cálculos, a equipe introduziu um sistema de aprendizado de máquina sofisticado conhecido como Rede de Ajuste de Dados de Tabela (Tabular Prior-data Fitted Network). Diferente de muitos sistemas de inteligência artificial que exigem quantidades massivas de dados para aprender, esta ferramenta é especificamente projetada para fazer previsões de alta precisão a partir de pequenos conjuntos de dados, sendo ideal para a física nuclear, onde os dados experimentais podem ser escassos. Os pesquisadores não deixaram simplesmente o computador adivinhar as respostas; em vez disso, usaram a IA para aprender os padrões sutis que o modelo físico não capturava. Eles alimentaram o sistema com informações sobre o núcleo, como o número de prótons e nêutrons, a energia liberada durante o decaimento e a forma do núcleo. A IA então aprendeu a prever um fator de correção específico que ajusta o cálculo teórico para corresponder ao que é realmente observado em experimentos.

Os resultados desta abordagem híbrida foram impressionantes. Quando os pesquisadores testaram seu novo método contra os dados experimentais, as previsões tornaram-se significativamente mais precisas em todos os quatro modos de decaimento. Para a emissão de prótons individuais, o erro nas previsões caiu mais de 80% em comparação com o modelo físico isolado. Para o decaimento alfa, que é a forma mais comum de decaimento radioativo estudado, o erro diminuiu quase 88%. A versão mais bem-sucedida de seu modelo, que combinou os parâmetros físicos otimizados com as correções de IA, alcançou um nível de precisão que foi aproximadamente 82% melhor do que o modelo físico não corrigido. Essa melhoria não foi apenas um acaso estatístico; o modelo manteve sua precisão mesmo quando testado em dados que nunca havia visto antes, provando que havia aprendido as regras subjacentes do decaimento, em vez de apenas memorizar os exemplos.

Além de apenas acertar os números, o novo modelo reproduziu com sucesso comportamentos complexos que são difíceis de capturar com fórmulas simples. Por exemplo, ele descreveu com precisão como os tempos de vida de átomos emissores de alfa mudam conforme o número de nêutrons aumenta, incluindo os saltos repentinos na estabilidade que ocorrem quando o núcleo atinge um número "mágico" específico de nêutrons, como 126. Essa capacidade de capturar o efeito de fechamento de camada sugere que o modelo aprendeu implicitamente os detalhes estruturais do núcleo, embora não tenha sido explicitamente programado com essas regras. Os pesquisadores também usaram seu modelo refinado para prever os tempos de vida de átomos que ainda não foram observados ou medidos em laboratórios, incluindo candidatos potenciais para o decaimento de dois prótons e elementos superpesados na extremidade da tabela periódica. Essas previsões fornecem um roteiro para experimentos futuros, orientando os cientistas sobre onde procurar por novas formas de matéria.

O estudo demonstra que o futuro da física nuclear pode residir na integração cuidadosa das teorias físicas tradicionais com ferramentas modernas baseadas em dados. Ao respeitar as leis estabelecidas da mecânica quântica enquanto permite que o aprendizado de máquina corrija as complexidades dos núcleos do mundo real, os pesquisadores criaram um novo instrumento poderoso para explorar o mundo atômico. Seu trabalho mostra que, mesmo em um campo governado por constantes fundamentais, ainda há espaço para refinamento, e que combinar a percepção humana com a inteligência artificial pode revelar padrões que nenhum dos dois encontraria sozinho. Este arcabouço híbrido oferece uma maneira confiável de prever o comportamento de átomos instáveis, ajudando a mapear os limites da estabilidade nuclear e aprofundando nossa compreensão das forças que mantêm o universo unido.