中山大学中法核工程与技术学院数据团队在《NST》发表论文：基于随机森林预测超重核素衰变模式与寿命

       超重新元素和新核素合成在核物理领域中备受关注。在过去的三十年间，德国、日本、美国、俄罗斯等国的实验室包揽了107至118号元素的合成，而我国在这一方面尚未有所突破。

       当前，合成目标为119或120号新元素的任务面临极大的挑战。这些元素极其不稳定，半衰期极短，且可能存在多种衰变模式，这为合成后的鉴别带来极大的困难。新元素的合成需要以年为单位的实验束流时间，若无法确定其是否为新元素，之前的一切努力都将付诸东流。由于目标新元素及其子核都是实验上未发现的，因此，准确预言超重核素的衰变模式和半衰期对鉴别新元素至关重要。

       最近，中山大学中法核工程与技术学院核数据科学与应用团队在《Nuclear Science and Techniques》（简称NST）杂志上发表了一篇论文，利用人工智能成功改进了超重核素的衰变模式预测，并入选该期封面论文。

       在研究中，该团队采用了宏观模型结合随机森林算法的方式，对212Po以后核素的alpha衰变、beta负衰变、beta正衰变、轨道电子俘获和自发裂变之间的竞争进行比较。结果表明，该方法的预测准确性很高，对主衰变模式的预测正确率达到了96.9%。

       研究团队发现，对于尚未被实验观测到的第119至122号元素，alpha衰变将成为主导的衰变模式，而库仑排斥的增强和奇偶效应会导致自发裂变在一些偶偶核素中占据主导地位。此外，预测的半衰期表明，由于裂变位垒和库仑排斥之间的竞争，在298Fl西南部存在一个较长寿命的自发裂变岛。

       该研究的成功为人工智能在核物理领域的应用开辟了新的思路。通过机器学习，科学家们能够更准确地预测和理解超重元素的性质，从而推动核科学和技术的发展。未来，中山大学核数据科学与应用团队将继续深化人工智能在核领域的研究与应用，开展基于机器学习的核数据评估和应用。

       本论文第一作者为中山大学中法核工程与技术学院 2022级博士生蔡博帅，通讯作者为袁岑溪老师。

附：论文信息

B. S. CAI, C. X. Yuan, Random forest-based prediction of decay modes and half-lives of superheavy nuclei, Nucl. Sci. Tech. 34, 204 (2023). doi:10.1007/s41365-023-01354-5

       NST期刊是由中国科学院上海应用物理研究所和中国核学会共同主办、上海市核学会协办的英文期刊，创刊于1990年，是中国核学会英文会刊，先后被Scopus、EI、SCI-E、Inspire等数据库收录，主要报道核科学与技术领域的科学发现、技术创新和重要成果，现为中科院核科学与技术分区1区期刊，中国核学会T1期刊。

       在探索新元素的过程中，关于超重区域内核素衰变过程的信息至关重要。通过应用随机森林算法，我们可以更有效地分析超重区域内不同衰变模式之间的竞争。当人工智能接收到有限的实验数据后，它能够生成对核素图未抵达区域核素的预测。封面的森林背景象征此处所使用的人工智能算法——随机森林。

责编：康怡圆

一读：吴思慧

初审：曹雁群

复审：林美珍

审核发布：漆小萍