机器学习模型预测原子核β衰变半衰期及其在r过程核合成中的应用研究学术报告

由浙江大学浙江理工大学量子态调控与光场操控省重点实验室及物理系的Amir Jalili、南开大学物理学院的Y. A. Luo、辽宁师范大学物理系的Feng Pan以及路易斯安那州立大学物理与天文系的Jerry P. Draayer共同完成的研究，于2025年3月14日发表在物理学权威期刊《Physical Review C》第111卷第034321期上，题为“Nuclear β-decay half-life predictions and r-process nucleosynthesis using machine learning models”。该研究探索了机器学习模型，特别是支持向量机，在预测原子核β衰变半衰期及其对快速中子俘获过程（r过程）核合成模拟应用方面的强大能力。

一、 学术背景与研究目标 本研究隶属于核物理与天体物理的交叉领域，重点关注原子核结构、衰变性质以及宇宙中重元素的起源。β衰变是原子核的一种基本衰变方式，在核结构研究和天体物理过程中扮演着核心角色。特别是在r过程中，不稳定、丰中子原子核的β衰变速率是决定重元素（如金、铀等）丰度分布的关键物理量之一。然而，由于实验上难以合成和测量许多位于远离β稳定线的丰中子核素，理论预测这些核素的β衰变半衰期变得至关重要。

传统的理论预测方法主要分为非自洽（半微观）方法和自洽（全微观）方法。前者如经验总纲理论（Gross Theory, GT）、准粒子无规相位近似（Quasiparticle Random Phase Approximation, QRPA）结合唯象势场等；后者则包括大规模壳模型计算以及基于能量密度泛函（Energy Density Functional, EDF）的自洽QRPA计算等。这些方法虽然取得了很大成功，但在全局预测、特别是对极丰中子核的预测上，仍面临计算复杂、对输入参数敏感、预测精度有限等挑战。

近年来，机器学习（Machine Learning, ML）技术为核物理全局性质预测提供了新的范式。与基于第一性原理或唯象模型的理论方法不同，ML方法擅长从数据中直接学习复杂的映射关系，已被成功应用于原子核质量、电荷半径、α衰变寿命等多种性质的预测。本研究的目标正是利用一种强大的ML模型——支持向量机（Support Vector Machine, SVM），构建一个能够高精度全局预测原子核β衰变半衰期的模型，并进一步将其应用于太阳系r过程丰度的预测中，评估其在核天体物理中的应用潜力。研究旨在验证SVM模型在处理复杂核结构数据、捕捉β衰变规律方面的有效性，并探索其在外推预测（如对尚未测量的丰中子核）方面的能力。

二、 研究流程详述 本研究的工作流程系统而详尽，主要可分为数据准备、特征工程、模型构建与训练、性能评估以及外推应用等几个核心步骤。

第一步：数据收集与预处理。 研究团队构建了两个核心数据集。对于β衰变半衰期预测，数据集涵盖了从Z=9到Z=117的广泛核素，其半衰期实验值主要来源于最新的原子质量评估（Atomic Mass Evaluation 2020, AME2020）。为了系统评估模型在不同类型核素和不同半衰期范围下的性能，数据被进一步分类：按核子数奇偶性分为偶偶核（even-even, e-e）、奇奇核（odd-odd, o-o）和奇A核（odd-A，包括偶奇核e-o和奇偶核o-e）；按半衰期长短分为小于1秒、小于10^3秒和小于10^6秒三个区间。最终用于β衰变预测的核素总数达到3052个。对于r过程丰度预测，数据集则基于已有的r过程模型计算结果，涵盖了Z=29至Z=81范围内的核素，总计6002个数据点，用于模拟太阳系r过程的元素丰度分布。

第二步：特征空间设计与构建。 这是ML模型成功的关键。研究设计了三种逐渐复杂的特征空间（输入变量集合）来训练SVM模型，以探究不同物理信息对预测精度的影响。 * 特征集F1（基础特征）：仅包含最基础的核素标识信息，即质子数Z、中子数N和质量数A。 * 特征集F2（引入衰变能）：在F1的基础上，增加了β衰变总能量Qβ，该值直接取自AME2020。Qβ是决定衰变速率的核心物理量之一（与相空间因子相关）。 * 特征集F3（引入核结构信息）：这是最全面的特征集。除了Z, N, A, Qβ，还整合了来自液滴模型和核壳层结构的关键信息，旨在让模型学习更深刻的核结构规律。具体包括：结合能中的体积项、表面能项（~A^(²⁄₃)）、库仑能项（~Z(Z-1)/A^(¹⁄₃)）、对称能项（~(N-Z)^2/A）；用于区分核类型的奇偶性参数δp；用于标记幻数的二元变量；质子数和中子数的奇偶性指示符（zeo, neo）；以及价核子数（vn, vz）等信息。通过这种设计，F3特征空间试图将传统核模型中的物理洞察编码为机器学习模型可学习的特征。

第三步：支持向量机模型构建与训练。 本研究没有采用在核物理中较早应用的神经网络（Neural Networks, NN），而是选择了支持向量回归（SVR）作为核心算法。SVM通过寻找一个最优超平面（在高维特征空间中）来拟合数据，其优势在于能有效处理高维数据、防止过拟合，并具有坚实的统计学习理论背景。研究团队探索了四种不同的核函数（Kernel）来定义数据点在高维空间中的相似性，以捕捉线性和非线性关系： * 线性核（Linear） * 多项式核（Poly） * 径向基函数核（Radial Basis Function, RBF） * Sigmoid核 对于每种特征集（F1, F2, F3）和每类核素（e-e, o-o, odd-A），研究人员都使用网格搜索和随机搜索技术对SVM的超参数（如正则化参数C、核函数参数γ、不敏感损失参数ε等）进行了细致的优化，以确保模型的最佳性能。具体优化参数详列于论文的表格中。在训练过程中，数据集被按照80:10:10的比例随机划分为训练集、验证集和测试集。

第四步：模型性能评估与分析。 由于核半衰期跨越多个数量级，评估指标采用了对数半衰期预测值的均方根误差（Root Mean Square Error, RMSE），记为σ_rmse，计算公式为：σ_rmse = sqrt[ (1/N) * Σ (log10(t_expt) - log10(t_theo))^2 ]。研究者系统计算了不同特征集、不同核函数、不同核素类型、不同半衰期区间下的σ_rmse值，并进行了详细的比较。此外，还绘制了预测半衰期与实验值的比值图、误差随核子数分布图等，以可视化模型的表现和存在的系统偏差。

第五步：模型外推预测与应用验证。 在评估了模型对已知实验数据的重现能力后，研究进行了两项重要的外推和应用验证： 1. 对特定同位素链的半衰期预测：选取了Ni同位素（N=40-52）、N=82等中子幻数附近的同位素以及N=126附近的同位素，绘制了SVM模型（不同核函数）预测的半衰期趋势图，并与已有实验数据进行比较，直观展示模型的预测能力和趋势吻合度。 2. 在r过程核合成中的应用：将训练好的SVM模型（特别是表现最佳的RBF核模型）集成到一个简化的r过程网络计算框架中。该框架基于一组描述核素丰度演化的微分方程（网络方程），其中关键的β衰变速率λ由SVM预测的半衰期t1/2换算得到（λ = ln2 / t1/2）。通过模拟计算，预测了太阳系r过程的元素丰度分布，并将结果与观测到的太阳系丰度进行对比。

三、 主要研究结果 本研究取得了系统而富有启示性的结果，主要体现在模型性能、物理洞察和天体物理应用三个方面。

首先，关于SVM模型的预测精度。 综合评估表明： 1. 特征集的影响：从F1到F3，随着更多核结构物理信息的加入，模型的预测精度普遍显著提升。例如，对于半衰期秒的偶偶核，使用RBF核时，σ_rmse从F1的0.38降至F2的0.26，再降至F3的0.18。这证实了将物理知识融入特征工程的有效性。 2. 核函数的影响：在大多数情况下，径向基函数（RBF）核表现出最优且最稳定的性能，其预测误差通常最小。线性核和Sigmoid核的表现相对较差。这表明β衰变半衰期与核特征之间存在着复杂的非线性关系，而RBF核擅长捕捉这种关系。 3. 核素类型的影响：模型对偶偶核的预测精度最高，σ_rmse最低。这很可能是因为偶偶核具有自旋宇称0+的规则基态，衰变模式相对规律。对奇A核的预测次之，对奇奇核的预测挑战最大，这与传统理论模型遇到的困难一致，反映了奇奇核中核子配对和角动量耦合的复杂性。 4. 与现有模型的比较：将本研究最好的SVM模型（F3特征+RBF核）与已有的机器学习模型（如贝叶斯神经网络BNN、传统人工神经网络ANN）以及主流理论模型（如QRPA+有限程液滴模型FRDM、QRPA+GT模型）进行对比。结果显示，SVM模型的预测精度与先进的BNN模型相当，并在许多情况下优于ANN和传统的全局理论模型。特别是在处理更大规模数据集时，SVM展现了稳健的性能。

其次，关于模型揭示的物理与趋势预测。 结果分析图显示： 1. 预测值与实验值的比值在大部分区域紧密围绕1分布，表明模型具有良好的全局拟合能力。 2. 在质子数或中子数接近幻数（如50，82）的区域，预测误差略有增大。论文指出，这可能是由于这些区域数据量较大且核结构变化剧烈所致。 3. 对Ni、N=82、N=126等关键同位素链的半衰期趋势预测表明，SVM模型（尤其是RBF核）能够很好地再现实验数据的趋势，包括半衰期随中子数增加而变化的拐点和数量级跨度。对于尚未测量的极丰中子核，模型给出了合理的外推预测，为实验探索提供了参考。

最后，关于在r过程核合成中的应用结果。 应用研究表明： 1. 将SVM预测的β衰变半衰期输入r过程网络计算后，模型成功地再现了太阳系r过程丰度分布的主要特征，包括位于A~80、A~130、A~195附近的第一、第二和第三r过程丰度峰。 2. 不同核函数预测的丰度曲线与观测值整体吻合良好，其中RBF核的预测曲线最为平滑且接近观测趋势。 3. 研究分析了预测的不确定性，指出当前r过程丰度预测的主要不确定性来源于对接近中子滴线核素的半衰期知识匮乏。然而，SVM模型（特别是RBF核）的预测偏差相对较小，这表明如果未来能有更多关于丰中子核的实验数据来约束和改善ML模型，将有望显著降低r过程模拟中的核物理不确定性。

四、 研究结论与价值 本项研究得出结论：支持向量机，特别是结合了全面核结构特征（F3）并使用径向基函数核的SVM模型，是一种用于高精度全局预测原子核β衰变半衰期的强大而可靠的工具。该模型不仅能够出色地重现已知的实验数据，还能对远离稳定线的核素（包括对r过程至关重要的丰中子核）的衰变性质提供合理的预测。将其应用于太阳系r过程丰度计算的成功，进一步证明了机器学习模型在核天体物理领域，作为连接微观核物理与宏观天体物理现象的实用桥梁，具有重要的应用价值。

研究的科学价值在于：第一，它系统验证并展示了SVM这一特定ML算法在核物理复杂回归问题上的优越性，为核性质预测提供了除神经网络外的另一种高效选择。第二，研究强调了特征工程的重要性，表明将传统核物理模型的知识（如液滴模型项、壳效应指示符）与机器学习相结合，可以显著提升模型的性能和物理可解释性。第三，研究为r过程核合成模拟提供了一套基于数据驱动的高效β衰变率输入方案，有助于减少模拟中对某些唯象模型的依赖，并量化核物理输入的不确定性。

五、 研究亮点与创新 本研究的亮点和创新点主要体现在： 1. 方法创新：首次系统地将支持向量机（SVM）应用于原子核β衰变半衰期的全局预测，并与多种核函数和特征空间组合进行对比研究，明确了RBF核与综合特征集的优越性。 2. 特征设计精巧：特征集F3的设计超越了简单的核子数输入，创造性地融入了来自液滴模型的结合能成分、壳层效应（幻数）、奇偶性等深层物理信息，使模型能够“理解”更丰富的核结构规律，这是模型取得高精度的关键。 3. 应用导向明确：研究不仅停留在模型性能评估，更进一步将其成功应用于一个重大的天体物理问题——r过程核合成，实现了从基础核性质预测到天体物理现象模拟的完整闭环验证，凸显了其应用潜力。 4. 系统性的比较研究：工作包含了与同类机器学习模型（ANN, BNN）以及主流微观-唯象理论模型（QRPA+FRDM等）的详细对比，全面定位了所提方法在现有工具中的地位和优势。

六、 其他有价值内容 论文还提供了关于β衰变半衰期理论公式的简要回顾、r过程网络方程的基本描述，以及SVM算法的数学原理概述，这些内容使得研究自成体系，便于核物理和天体物理领域的研究者理解其技术细节。此外，论文中大量的性能参数表格和误差分析图表为后续研究者复现或改进类似工作提供了宝贵的数据参考。作者在讨论中也指出，未来可以通过纳入更多类型的衰变数据（如禁戒跃迁信息）、尝试更先进的机器学习架构或集成学习方法，来进一步提升预测的精度和可靠性。