基于 Tabular Prior-data Fitted Network 的 $\alpha$ 粒子预构因子系统性研究

发展一种将 Tabular Prior-data Fitted Network (TabPFN) 与库仑和相邻势模型 (CPPM) 混合的混合方法，以探讨 $\alpha$ 粒子预构因子 $P_{\alpha}$ 及其对 $\alpha$ 衰变半衰期的影响。TabPFN 模型在 498 个核子上进行训练，准确地学习了核结构性质与 $P_{\alpha}$ 之间的关系，实现均方根偏差为 $\sigma_{\mathrm{rms}} = 0.211$。预测得到的因子揭示了明显的奇偶错位和壳闭效应，并与 $Q_{\alpha}^{-1/2}$ 和碎片化势 $V_{\mathrm{frag}}$ 之间呈线性相关。当将基于机器学习的 $P_{\alpha}$ 值纳入 CPPM 计算后，半衰期预测得到显著改善。即使在势垛描述中包含形变效应，类似的改进也取得。进一步地，通过对超重子核 ($Z = 117$--120) 的预测表明该模型具有良好的可预测性，提示 $N = 184$ 可能是一个中子魔数。