关于《超重核α衰变半衰期的支持向量回归研究》的学术研究报告

本报告旨在向国内同行介绍近期发表的一项结合理论核物理与机器学习方法，用于精确预测超重核α衰变半衰期的原创性研究。该工作由杨海涛、李晓盼、宋协飞、马殿旭、于功明和鲍晓军等研究人员合作完成，发表于2026年1月的期刊 Physical Review C 上，文章标题为《α-decay half-lives of superheavy nuclei with support-vector regression》，引用信息为Phys. Rev. C 113, 014307 (2026)。研究的核心目标是通过整合物理驱动模型与数据驱动算法，提升对原子核α衰变半衰期的预测精度，特别是在实验数据稀缺的超重核区域，为未来合成与鉴别新元素提供可靠的理论参考。

研究的学术背景

α衰变作为重核与超重核最重要的衰变模式之一，不仅是鉴别新合成核素的关键探针，也是提取核结构信息（如壳效应、形变）的重要窗口。其理论解释源于1928年Gamow和Condon等人的量子隧穿理论。长期以来，研究者们发展了大量模型来估算α衰变半衰期，主要分为两大类：一类是基于物理原理的微观或唯象模型，如双折叠势模型（Double-Folding Potential Model, DPM）、密度相关团簇模型等，它们通过构建α粒子与子核的相互作用势来计算穿透概率；另一类是基于Geiger-Nuttall定律的经验公式，这类方法简单高效但外推能力有限，尤其是在未知核区。近年来，机器学习凭借其强大的从复杂数据中学习和外推的能力，在核物理领域得到广泛应用，已在核质量、β衰变、电荷半径等性质的预测中展现出卓越性能。其中，支持向量回归（Support Vector Regression, SVR）因其在处理非线性回归问题上的鲁棒性和计算效率而受到关注。然而，SVR的性能高度依赖于超参数的选择。同时，先前研究表明，机器学习可以直接预测半衰期，也可以通过间接学习理论模型的“残差”（可解释为预形成因子）来优化物理模型，后者能更好地结合物理洞见与数据优势。本研究正是在此背景下，旨在构建一个融合双折叠势物理框架与人工蜂群算法（Artificial Bee Colony, ABC）优化的SVR的混合模型，以期更精确、更可靠地描述从普通重核到超重核的α衰变性质。

研究的详细工作流程

本研究包含三个核心模型（基础物理模型、纯机器学习模型、混合模型）的构建、训练、测试与评估，工作流程系统且环环相扣。

1. 基础物理模型（双折叠势模型，DPM）的构建与测试：

   • 研究样本： 研究选取了原子序数Z=62至118范围内，共计498个核素的α衰变数据作为基准数据集。实验半衰期、自旋宇称信息来自NUBASE2016，α衰变能来自AME2016。这些核素按照奇偶性分为172个偶偶核、142个偶奇核、119个奇偶核和65个奇奇核。
   • 模型原理： DPM的核心是计算α粒子穿越势垒的量子隧穿概率。模型假设α粒子预先形成（预形成因子设为1），其与子核的总相互作用势V®由库仑势、离心势和核势组成。其中，核势VN®的计算是本模型的物理关键，它采用了一种忽略动量与自旋依赖的Skyrme型有效核子-核子相互作用，通过双折叠积分方法得到。这种相互作用此前在描述融合反应方面取得成功，本研究将其扩展应用于α衰变。穿透概率P采用Wentzel–Kramers–Brillouin（WKB）近似计算，涉及的内外经典转折点有明确的物理定义。α粒子的撞击频率ν0则依据文献中基于谐振子模型的公式给出。
   • 测试与分析： 首先，使用该DPM对全部498个核素的α衰变半衰期进行系统计算。为评估模型性能，计算了理论值与实验值之间以10为底的对数比值log₁₀(T_calc/T_exp)，并绘制其随中子数的变化图。同时，计算了整体及各类核的均方根（Root-Mean-Square, RMS）偏差σ，用以量化预测误差。这一步骤旨在评估纯物理模型的基线性能，并识别其系统偏差（如对奇偶核、特定壳层附近的偏差），为后续机器学习校正提供目标。

2. 支持向量回归（SVR）模型的训练与优化：

   • 数据准备与划分： 使用与DPM完全相同的498个核素数据集。为确保评估的公正性，数据被随机划分为训练集（80%，398个核素）和独立测试集（20%，100个核素）。
   • 特征选择： 为了与DPM进行公平比较，SVR模型的输入特征采用了与DPM完全相同的四个物理量：原子序数Z、质量数A、α衰变能Qα以及α粒子携带的轨道角动量l。这确保了模型学习的是基于相同输入信息的复杂关系。
   • 模型优化： SVR的性能严重依赖于惩罚参数C、核函数参数γ和容忍参数ε等超参数。本研究引入人工蜂群（ABC）算法这一群体智能全局优化技术来自动寻优最优超参数组合。ABC算法模拟蜜蜂采蜜行为，通过雇佣蜂、观察蜂和侦察蜂的协作，在设定的参数空间（C: 0.1-800, γ: 0.01-10, ε: 0.001-0.1）内高效搜索。优化过程中，采用五折交叉验证来评估每组参数的适应性（以RMS偏差为适应度函数），最终选取使平均RMS最小的超参数组合（C=797.865，γ=0.304，ε=0.003）。
   • 训练与测试： 使用最优超参数和训练集数据训练SVR模型，然后在独立测试集和整个数据集上进行预测，并计算相应的RMS偏差。

3. SVR优化的DPM混合模型的构建：

   • 核心思想： 此模型旨在利用SVR来学习和补偿DPM的系统性偏差。具体而言，将DPM计算的对数半衰期log₁₀(T_DPM)与实验对数半衰期log₁₀(T_exp)之间的差值（即残差）作为SVR的学习目标。这个残差可以物理地解释为对数化的预形成因子（log₁₀P_α），它包含了DPM中因假设预形成因子为1以及忽略其他精细结构效应而引入的误差。
   • 实现流程： 使用相同的输入特征{Z, A, Qα, l}和残差作为输出，构建并训练一个新的SVR模型（同样用ABC算法优化，得到一组不同的最优超参数：C=0.100，γ=10.000，ε=0.055）。训练完成后，该SVR模型的预测输出即被视为对“预形成因子”的估计。最终的混合模型预测值由下式给出：log₁₀(T_hybrid) = log₁₀(T_DPM) + SVR预测的残差。这相当于将SVR学到的“修正项”融入到原始的物理模型框架中。

4. 模型性能的全面评估与超重核区预测：

   • 模型比较： 在全体498个核素上，对比DPM、纯SVR和SVR优化DPM三个模型的总体RMS偏差。
   • 超重核区外推能力测试： 为了检验模型在数据极端稀少的超重核区域的预测能力，研究构建了一个独立的验证集，包含32个超重核（Z≥104），其数据来自更新的NUBASE2020和AME2020。使用三个模型分别预测这些核的半衰期，并计算与最新实验值的RMS偏差，这是评估模型外推性能的关键步骤。
   • 对新核素的预测应用： 基于已验证的模型可靠性，研究进一步使用三个模型，结合两种主流核质量模型（微观宏观模型FRDM和宏观模型WS4）提供的Qα值，系统地预测了Z=117（Ts，鉝）和Z=118（Og，鿫）一系列同位素的α衰变半衰期，并分析了半衰期随中子数变化的趋势，特别是关注了N=184壳层附近的可能影响。

研究的主要结果

1. DPM模型的基线性能： DPM模型取得了总体RMS偏差为0.58（即对数尺度上约±0.58个数量级的误差）的合理精度。分析发现，模型对偶偶核预测最佳（σ=0.45），对奇奇核偏差最大（σ=0.78）。偏差分布图显示，在质子壳层Z=82、中子壳层N=126和N=152附近存在明显的系统偏离，证实了壳效应对α衰变的显著影响。此外，奇A核和奇奇核普遍表现出理论值低于实验值的趋势，这被归因于未配对核子对α粒子预形成的“阻塞效应”。这些系统偏差为后续机器学习校正提供了明确的目标。

2. 纯SVR模型的预测能力： 经过ABC算法优化后，纯SVR模型在全体数据集上的RMS偏差降至0.41，相比DPM提升了约29.3%。这表明，即使仅使用四个简单的物理特征，SVR也能从数据中有效地捕获到DPM未能涵盖的复杂核结构关联。模型在训练集和测试集上表现一致，显示了良好的泛化能力。

3. SVR优化DPM混合模型的卓越表现： 混合模型取得了最佳的预测精度，整体RMS偏差进一步降低至0.39，相比原始DPM提升了约32.8%。在质子数-中子数平面上绘制的残差分布图（图3）清晰显示，混合模型的预测点更紧密地聚集在零偏差线周围，显著优于DPM和纯SVR。这一结果有力证明，将SVR作为物理模型的“校正器”，能够有效弥补物理模型在预形成因子、壳修正等方面的简化假设所带来的系统性不足，实现了物理洞察与数据驱动的优势互补。

4. 超重核区验证与模型可靠性： 在32个超重核的独立验证集上，三个模型的RMS偏差分别为：DPM 0.69，纯SVR 0.44，混合模型0.43。DPM的偏差增大反映了其在极端超重区外推的局限性。而SVR和混合模型保持了较低的偏差，尤其是混合模型表现最优，证明了其不仅在内插（训练区）表现良好，在外推（超重区）上也具有更高的可靠性。这为将其用于预测未知核素提供了信心。

5. 对Z=117和118同位素的预测结果： 基于FRDM和WS4两种质量模型提供的Qα，三个模型对Ts和Og同位素的半衰期预测展现出一致的趋势：随着中子数增加，半衰期总体呈增长趋势（衰变能降低）。所有模型均预测在N=184附近，半衰期会出现剧烈变化（例如从N=184到186，半衰期骤降约2个数量级），这强烈支持了N=184作为超重区可能的中子幻数。DPM预测的半衰期普遍短于SVR和混合模型，这直接源于其假设预形成因子为1。这些系统的预测结果为未来实验上合成和鉴别这些极度缺中子或丰中子的新核素提供了重要的理论参考值和筛选依据。

研究的结论与价值

本研究成功开发并验证了一个融合双折叠势物理模型与人工蜂群算法优化支持向量回归的混合框架，用于高精度预测原子核的α衰变半衰期。研究得出明确结论：纯粹的物理模型（DPM）能够提供合理的基线描述，但存在系统偏差；纯粹的机器学习模型（SVR）能有效降低预测误差，但缺乏物理可解释性；而将SVR用于学习和补偿物理模型的残差（即作为预形成因子的代理），所构建的混合模型（SVR-optimized DPM）实现了最佳的预测精度和可靠性。该模型在普通重核区和实验数据稀少的超重核区均表现出色，其预测能力显著优于传统的物理模型和简单的经验公式。

这项工作的科学价值在于：第一，它展示了一种有效整合“第一性原理”物理建模与“数据驱动”机器学习的新范式，为核物理乃至其他计算物理领域解决复杂预测问题提供了可借鉴的方法论。第二，研究不仅提升了预测精度，还通过残差学习间接获得了对α预形成因子的数据驱动估计，为理解这一微观核结构效应提供了新的视角。第三，研究对超重核α衰变半衰期，特别是Z=117, 118同位素的系统预测，具有直接的应用价值，能为大型实验装置（如中国的超重元素研究装置）规划合成路线、设置探测条件、鉴别新核素事件提供关键的理论输入和数据参考，降低实验的盲目性和成本。

研究的亮点

1. 方法创新性： 研究创造性地将用于核反应研究的特定Skyrme型双折叠势成功应用于系统性的α衰变研究，并首次将其与人工蜂群算法优化的支持向量回归相结合，构建了物理-数据混合模型。这种“ABC-SVR校正物理模型”的框架新颖且有效。
2. 系统性与严谨性： 工作流程完整，从基线物理模型评估、机器学习模型优化（采用五折交叉验证和独立测试集）、混合模型构建，到在独立超重核验证集上的外推测试，以及最终对新核素的前瞻性预测，步骤清晰，评估全面，结论可靠。
3. 显著的应用导向成果： 研究最终产出了对超重元素Ts和Og一系列同位素α衰变半衰期的详细预测表（Table IV）和趋势图（Fig. 4），这些是可直接服务于实验规划的重要理论数据，体现了理论计算对实验探索的前瞻性支撑作用。
4. 对核结构信息的挖掘： 通过对模型残差（如对奇偶核的偏差、在N=126, 152, 184附近的异常）的分析，研究间接印证和揭示了壳效应、阻塞效应等核结构现象对α衰变的关键影响，使模型不仅是一个黑箱预测工具，也成为了理解物理的辅助手段。