近日，我校核科学与技术学院本科生李瑞雄在学院马娜娜副教授的指导下，以快报（Letter）形式发表在国际核物理学权威期刊《Physical Review C》上发表题为“ Shape inheritance and staggering in α decay: A machine learning approach to the nuclear structure properties of superheavy nuclei”的研究论文。该成果在超重核α衰变理论研究领域取得重要突破。

合成新元素、攀登“超重核稳定岛”是核物理前沿的核心科学目标之一，而α衰变是鉴别新合成超重元素的几乎唯一探针。研究团队长期致力于人工智能与核物理的交叉研究，针对机器学习模型在核物理应用中存在的“黑箱算法”及可解释性难题，创新性地提出了一种物理引导的机器学习方法。该方法将已知的核衰变规律与物理机制深度融入机器学习模型，有效降低机器学习黑箱算法的“黑度”，显著提升了模型的预测精度，并由此在核衰变物理中取得了一系列新发现：

在国内外竞相合成第119、120号新元素的背景下，该研究首次预言，在这两个同位素链中，α衰变半衰期均出现“反转现象”。即由于母核或子核发生显著的形状转变（如扁球与长球之间的交错），导致理论模型的预测结果与人工智能的结果出现交错反转。值得注意的是，该现象集中出现在以铅（已知最大的双幻核）附近为代表的原子核“形状共存”区域。119、120号同位素链上的反转现象可能暗示着“超重核稳定岛”已近在咫尺，从而为锁定超重核稳定岛的中心位置提供了关键线索。

对于未出现反转现象的核素，研究进一步揭示衰变系统中母核与子核的四极形变（β？）及十六极形变（β？）参数高度相似，表明原子核的形状特征在衰变过程中倾向于保留，这种“形状继承”现象增大了α粒子穿透势垒的概率，为理解α衰变微观动力学机制提供了新视角。

此外，研究首次指出，在形变原子核中，具有显著十六极形变的原子核更倾向于在其表面“凸起”区域预形成α粒子，这深化了对α粒子预形成机制的认识。

本工作不仅为人工智能与基础科学交叉研究中破解模型“黑箱”问题提供了行之有效的新路径，也充分展示了物理引导的人工智能在发现新现象、揭示新规律方面的强大潜力。相关发现深化了对超重核结构及衰变过程的理解，为未来的新元素合成实验与超重核稳定岛探索提供了重要的理论依据。

论文信息：

标题： Shape inheritance and staggering in α decay: A machine learning approach to the nuclear structure properties of superheavy nuclei

期刊： Physical Review C 113, L021301 (2026)

作者： Ruixiong Li, Jingyu Xiao, Hongfei Zhang, Nana Ma*

DOI： 10.1103/j7r6-mw8b