Les scientifiques en physique nucléaire cherchent continuellement de meilleures façons de comprendre les processus qui régissent les noyaux atomiques. L'un des phénomènes clés dans ce domaine est la décroissance bêta, un type de désintégration radioactive où un neutron se transforme en proton, ou vice versa, émettant une particule bêta et un neutrino. La prédiction précise des voies de décroissance bêta est essentielle pour des applications allant de l'énergie nucléaire à l'astrophysique. Cependant, le problème quantique de plusieurs corps qui sous-tend la décroissance bêta est notoirement difficile, et la fiabilité des prédictions dépend de façon critique des modèles informatiques utilisés.

L'importance de prédire Beta Decay

La compréhension des voies de décomposition bêta aide les scientifiques à déterminer la stabilité des isotopes et leur comportement dans divers environnements.

  • Sécurité du réacteur nucléaire[ – L'inventaire de la chaleur et des radiations de combustible nucléaire usé dépend des propriétés de dégradation bêta des produits de fission.
  • Production d'isotopes médicaux – De nombreux produits radiopharmaceutiques dépendent d'isotopes émettant des bêta-isotopes tels que 177Lu, 131I et 90Y. Une planification efficace de la production nécessite une connaissance des voies de décomposition et des demi-vies.
  • Nucléosynthèse stellaire – La décomposition bêta joue un rôle central dans le processus r‐qui construit des éléments lourds dans les fusions d'étoiles de supernovae et de neutrons. Les prévisions de trajectoire déterminent quels isotopes sont produits et leur abondance.
  • Physique fondamentale – La désintégration bêta fournit un laboratoire pour tester l'interaction électrofaible, les contraintes sur la masse des neutrinos et la recherche de physique au-delà de la norme.

Malgré cette importance, bon nombre des isotopes pertinents à ces applications sont de courte durée ou extrêmement riches en neutrons, rendant l'étude expérimentale difficile ou impossible. Les modèles informatiques doivent donc combler les lacunes, mais les approches traditionnelles ont des limites importantes.

Défis dans les modèles actuels

Limites du modèle Shell

Le modèle de la coque nucléaire est l'un des cadres les plus efficaces pour décrire la structure nucléaire. Il traite les nucléons se déplaçant dans un champ moyen et interagissant par des forces résiduelles. Pour la décomposition bêta, le modèle de la coque peut calculer explicitement les forces de transition (Gamow-Teller et Fermi). Cependant, le coût de calcul s'équilibre de façon explosive avec le nombre de nucléons de valence et la taille de l'espace du modèle.

Problèmes avec l'approximation par phase aléatoire de quasiparticle

L'approximation par phase aléatoire de quasiparticle (QRPA) est largement utilisée pour calculer les propriétés de la décomposition bêta à travers le graphique nucléaire. Il traite les états excités comme des superpositions d'excitation par le trou de particules et par les particules sur un état sol BCS ou HFB. Bien qu'efficace sur le plan calcul, le QRPA souffre de plusieurs inconvénients :

  • Il est sensible au choix de l'interaction nucléaire et au traitement de l'appariement.
  • Elle tend à surestimer les forces de transition près de l'état de terrain.
  • Il ne peut pas facilement saisir les corrélations de plusieurs corps au-delà de deux quasiparticules.
  • Les résultats pour les noyaux exotiques loin de la stabilité s'écartent souvent de façon significative des données expérimentales.

Approches de théorie fonctionnelle de la densité

La théorie fonctionnelle de densité nucléaire (DFT) fournit une description globale des masses nucléaires, des déformations et de certaines propriétés de la décomposition. Pour la décomposition bêta, la DFT peut être étendue pour calculer les valeurs Q de bêta-décay et, avec une modélisation supplémentaire, des demi-vies partielles. Cependant, la DFT est intrinsèquement une théorie de l'état du sol, et le calcul fiable des éléments de matrice de transition reste un défi.

Coût et évolutivité de l'informatique

Un fil commun à ces méthodes est le coût de calcul élevé. Pour un isotope donné, un calcul complet de la coquille peut prendre des heures ou des jours sur un cluster de haute performance. La numérisation de centaines ou de milliers d'isotopes inconnus – comme le requièrent les réseaux d'astrophysique nucléaire – n'est pas réalisable avec des approches traditionnelles.

Développement de nouveaux modèles informatiques

Les récents progrès de l'apprentissage automatique (ML) et de l'informatique à haute performance (HPC) ouvrent de nouvelles voies pour modéliser la dégradation bêta.Les chercheurs développent des algorithmes qui tirent parti de vastes ensembles de données sur les propriétés nucléaires, les contraintes théoriques et les substituts efficaces pour faire des prédictions précises à une fraction du coût.

L'apprentissage profond pour la prévision de la voie de décay

Les réseaux neuronaux profonds ont été formés au fichier de données de structures nucléaires évaluées (DFSN) et aux bases de données du Centre national de données nucléaires (CNDN) pour prédire les demi-vies bêta-décay et les rapports de branchement. Contrairement aux formules traditionnelles qui reposent sur quelques paramètres (p. ex., la formule Kratz-Herrmann), les modèles d'apprentissage profond peuvent apprendre des relations complexes et non linéaires à partir de milliers de points de données.

Par exemple, une étude récente a utilisé un réseau neuronal de graphiques pour représenter le graphique nucléaire comme un graphique où les isotopes sont des nœuds et des pourritures. Le modèle a obtenu un facteur médian d'amélioration de 2–3 des prédictions de demi-vie par rapport aux calculs standard de la QRPA, en particulier pour les isotopes riches en neutrons pertinents au processus r‐. Ces modèles peuvent extrapoler vers des régions où il n'existe pas de données expérimentales, même si elles présentent des incertitudes quantifiées.

Modèles de substitution pour l'efficacité calculatrice

Bien que les modèles entièrement quantiques restent la norme d'or pour la précision, ils sont trop lents pour les études de sensibilité à grande échelle ou les simulations Monte Carlo. Les modèles de substitution – aussi appelés émulateurs – sont formés à un ensemble de calculs de haute fidélité pour approximer la relation entrée-sortie. Les émulateurs de processus gaussiens ont été appliqués avec succès aux modèles de masse nucléaire et sont maintenant étendus à la décomposition bêta.

L'approche fonctionne comme suit : un nombre limité de calculs de la coquille ou de l'AQPA sont effectués dans l'espace des paramètres (p. ex., des forces d'interaction variables, des tronquages d'espaces ou des écarts de couplage). L'émulateur apprend la cartographie de ces paramètres aux demi-vies prévues ou aux forces de transition. Une fois formé, l'émulateur peut produire des prédictions instantanées pour toute nouvelle combinaison de paramètres, ce qui permet une propagation rapide de l'incertitude et une inférence bayésienne.

Cadres théoriques raffinés

L'apprentissage automatique n'est pas la seule avenue; de nouveaux développements théoriques améliorent également la puissance prédictive. La théorie fonctionnelle de densité dépendante du temps (TDDFT) peut simuler la dynamique en temps réel de la désintégration bêta, y compris l'émission de la particule bêta et le recul du noyau de la fille.

Une autre orientation prometteuse est l'utilisation de ab initio méthodes, telles que la théorie du groupe de renormalisation de la similitude in-medium (IMSRG) ou du groupe couplé, pour les noyaux de masse légère à moyenne. Ces méthodes partent de forces réalistes de nucléon-nucléon et de trois nucléons et peuvent calculer des éléments de matrice bêta-décay avec des incertitudes quantifiables.

Approches hybrides : combiner la théorie et les données

Les nouveaux modèles les plus puissants sont ceux qui intègrent sans faille les données expérimentales, les calculs théoriques et l'apprentissage automatique. Par exemple, un réseau neuronal bayésien peut être formé sur les demi-vies observées et les prédictions théoriques de l'AQPA. Le réseau apprend à corriger les erreurs systématiques de l'AQPA tout en préservant ses tendances physiques. Les prédictions qui en résultent ont une incertitude inférieure à l'un ou l'autre des composants.

Intégration des données et de la théorie

La combinaison de données expérimentales avec des modèles théoriques permet d'alléger et de valider de nouveaux outils de calcul. Cette intégration améliore la fiabilité des prédictions pour les isotopes difficiles à étudier expérimentalement, comme ceux qui sont loin de la stabilité.

Inférence bayésienne pour l'estimation des paramètres

De nombreux modèles nucléaires contiennent des paramètres réglables – par exemple, la force de l'interaction isocalaire d'appariement dans le QRPA. Les méthodes bayésiennes considèrent ces paramètres comme incertains et utilisent des données expérimentales pour mettre à jour leur distribution de probabilités. Le résultat est une distribution postérieure qui reflète à la fois les contraintes de connaissances et de données antérieures.

Pour la désintégration bêta, l'étalonnage bayésien a été appliqué au modèle QRPA utilisé dans la AIEA , bibliothèque de paramètres d'entrée de référence (RIPL)[. En s'adaptant aux demi-vies mesurées, l'incertitude dans les prévisions pour les isotopes à riche neutrons inconnus a été réduite par un facteur de deux.

Incertitude Quantification et propagation

Les modèles informatiques modernes doivent fournir non seulement une prédiction ponctuelle, mais aussi une estimation fiable de l'incertitude. Ceci est essentiel pour des applications telles que les spectres d'antineutrinos des réacteurs, où la somme de nombreuses contributions bêta-décay donne le spectre total, et les erreurs peuvent s'accumuler.

  • Monte Carlo a abandonné pour des modèles d'apprentissage profond afin d'estimer l'incertitude épistémique.
  • Les émulateurs de processus gaussien qui produisent à la fois la moyenne et la variance.
  • Mise en place de prévisions théoriques par rapport aux données expérimentales.

En fournissant des incertitudes, ces modèles permettent aux utilisateurs finaux de prendre des décisions en matière de risque. Par exemple, les évaluateurs de données nucléaires peuvent décider s'ils doivent se fier à une prédiction ou demander une nouvelle mesure.

Sélection automatisée des modèles

Avec de nombreux modèles concurrents disponibles (modèle en coque, QRPA, DFT, substituts d'apprentissage automatique), les chercheurs ont besoin de moyens objectifs pour choisir le meilleur modèle pour une prédiction donnée. Les critères de validation croisée et d'information (p. ex., AIC, BIC) peuvent être utilisés pour comparer les modèles.

Impact et orientations futures

Le développement de modèles informatiques avancés promet de révolutionner notre compréhension des processus nucléaires et de permettre des applications pratiques qui étaient auparavant hors de portée. Les domaines suivants sont les plus directement bénéfiques.

Prédictions pour les r‐ Simulations de processus et d'astrophysique

Le processus de capture rapide de neutrons (r‐processus) est responsable de la production d'environ la moitié des éléments lourds au-delà du fer. Le chemin du r‐processus traverse des isotopes extrêmement riches en neutrons dont les propriétés bêta‐décay sont largement inconnues. Les modèles de calcul de la prochaine génération fourniront les probabilités de demi-vies et d'émission de neutrons nécessaires pour calculer les abondances isotopiques et interpréter les observations des éclats de kilonovae et de gamma‐ray.

Soutien aux installations d'isotopes rares

Des installations comme FRIB (Facilité pour les faisceaux d'isotopes rares), RIKEN , RIBF et GSI , FAIR, produiront des milliers de nouveaux isotopes au cours de la prochaine décennie. Les prédictions calculatives sont essentielles pour planifier des expériences : elles identifient quels isotopes ont des branches de bêta-décay mesurables, estiment les taux de production et guident les configurations des détecteurs.

Énergie nucléaire et applications des réacteurs

Les modèles existants ont des lacunes connues – par exemple, l'effet --pandemonium- où les faibles rapports de ramification sont manqués expérimentalement. Les prédictions théoriques améliorées peuvent compléter les données expérimentales et réduire l'incertitude dans les calculs de la chaleur de la décomposition. La Section de données nucléaires d'AIEA] maintient des exercices de référence collaboratifs pour comparer les prédictions de différents modèles, et de nouvelles approches de calcul sont un élément clé de cet effort.

Découverte d'isotopes médicaux

La capacité d'un isotope candidat dépend de sa voie de décomposition, de sa demi-vie et de sa stabilité. Les modèles informatiques permettent de sélectionner des milliers d'isotopes potentiels dans le silico, réduisant ainsi la liste des isotopes sous-explorés dont les propriétés de décomposition sont souhaitables pour la radionucléothérapie ciblée.

Essais de symmétrie fondamentale

La désintégration bêta est également une sonde sensible de la physique au-delà du modèle standard. La recherche d'une masse de neutrinos non nulle, de courants scalaires ou de tenseurs, et pour les bosons faibles droitiers, repose sur des mesures précises et des calculs théoriques des corrélations de désintégration.

Conclusion

La recherche de nouveaux modèles de calcul pour prédire les voies de dégradation bêta est motivée par une convergence des besoins : de l'astrophysique nucléaire à la médecine, de la sûreté des réacteurs à la physique fondamentale. Les modèles quantiques traditionnels, bien que puissants, sont limités par le coût de la calcul et les incertitudes systématiques. L'intégration de l'apprentissage automatique, de l'inférence bayésienne et de l'informatique à haute performance donne des modèles non seulement plus rapides mais aussi plus précis et moins biaisés.

Les recherches futures visent à étendre les prédictions à une plus large gamme d'isotopes, à améliorer la précision des calculs de la vitesse de désintégration et à soutenir la conception de nouvelles matières nucléaires et d'isotopes médicaux. Au fur et à mesure que ces modèles s'améliorent, ils fourniront des informations vitales sur le fonctionnement fondamental des noyaux atomiques et aideront à résoudre des problèmes pratiques en matière d'énergie, de médecine et d'astrophysique.

Pour plus de détails, voir la revue -Demi-vies de Beta-Decay: De la structure nucléaire aux applications------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------