轻奇特核实验与裂变理论机器学习
2025年6月，日本RIKEN的一个测量让物理学家重新审视了一个争论了五年的问题。
他们测量了锡-132的物质半径。锡-132是个双幻核——50个质子、82个中子，填满两层壳。它的中子比质子多32个，理论上该有一层厚厚的中子皮。但RIKEN测出来的半径比"硬对称能"理论预言的明显偏小。如果再加上之前杰斐逊实验室的CREX实验测出的钙-48薄中子皮——两个证据指向同一个方向：对称能可能偏软。
但2021年杰斐逊实验室的PREX-II实验测了铅-208的中子皮，结果恰恰相反。太厚了。测出来的中子皮厚度是0.283±0.071 fm，比大多数理论预测大出好多。同一个对称能斜率参数L，装不下铅和钙。
这被称为PREX-CREX困境。2024到2026年，它从"一个有趣的张力"演变成了核物理最深的结构性危机之一。2026年2月，Papakonstantinou在arXiv上发表了一篇调和尝试：在能量密度泛函框架中引入一个稀薄密度修正项，可以同时容纳PREX-II和CREX。但他的核心洞察是：标准EDF中存在一个隐式的表面-体关联约束——一旦放松它，L与中子皮的关联依然保留但显著变宽。换句话说，当前实验数据并不要求极端的L值，问题出在我们用的模型太僵硬了。
2025年底，Qiu、Yue、Zhang和Chen在协变密度依赖点耦合框架中通过增强同位旋矢量张量耦合，在1σ内同时复现了PREX-II和CREX的电荷-弱形状因子。Piekarewicz在2026年3月用锡-132新数据做了三重约束——钙-48+锡-132+铅-208——结论倾向于软对称能图景，与PREX-II的冲突更加尖锐。他直接呼吁对PREX-II做独立验证，指向计划中德国美因茨的MREX实验——但那个实验要等到约2030年。
这场困境暴露的问题比答案更多：当前所有密度泛函——协变的、非协变的——在同位旋矢量道上可能都有系统性缺陷。我们自以为了解的中子皮，可能根本没那么了解。
---
与此同时，另一个争论也在升级。这一次是关于裂变本身。
2024年6月，华盛顿大学的Aurel Bulgac团队在Physical Review Letters上发了一篇论文。他们用橡树岭国家实验室的Summit超算，做了一件没人做过的事：从第一性原理出发——没有绝热近似、没有马尔可夫假设——用含时密度泛函理论（TDDFT）模拟了裂变从鞍点到断点的完整动力学。
结论是颠覆性的。动力学是强非平衡的，也是非马尔可夫的。这意味着半个世纪以来指导裂变模型的所有随机框架——Langevin方程、Smoluchowski方程、Fokker-Planck方程——它们都依赖绝热和马尔可夫假设。Bulgac的结果说这些假设可能根子上就是错的。在他的计算里，集体势能面和集体惯量——这两个传统裂变理论的核心概念——变得"多余且无关"。集体运动不沿着势能面慢慢滑，它有自己的动力学节奏。
更让人震惊的是断点中子的预测。不是在裂变碎片形成后蒸发出来的中子，而是在核颈断裂的那一瞬间直接从断点发射的中子。Bulgac算出它们占总中子数的9%到14%，平均动能约3±0.5 MeV，最大能量可达16到18 MeV。这是Bohr和Wheeler在1939年就提出过但从未被第一性原理计算预测的现象。Bulgac团队现在正把计算迁移到Frontier百亿亿次超算上——但他们甚至说"Frontier也不够"。
不到一年后，2025年9月，德国GSI的Schmidt、Schmitt和Heinz从完全不同的方向——实验反常裂变产额——得出了类似的结论。他们分析了铀-238自发裂变的质量分布，发现质量非对称分布的内翼——靠近双幻核锡-132的区域——被强烈抑制。低激发能下总动能（TKE）出现弯折。他们的解释是：轻锕系核的第二位垒和第三位垒共同约束了可达形状，对质量非对称自由度的初始条件记忆在粘滞阻尼不够强时一直保存到断点。惯性产生记忆，粘滞衰减记忆——这些系统中阻尼不够强。直接结论是Smoluchowski过阻尼方程被证伪。断点模型的统计平衡假设被违反。核集体运动更像水滴，不像蜜滴。
两路完全独立的研究——一个从超算上的第一性原理出发，一个从实验分布的反常出发——指向同一个结论：我们对裂变怎么发生的理解，有根本性的缺陷。
2024年12月，法国CEA举办了一次裂变动力学研讨会，明确把"建立统一裂变框架"列为核心目标。目前这个统一框架还不存在。微观TDDFT、半微观TDGCM加GOA、唯象Langevin三种方法在动力学假设上互不兼容。这是领域内最活跃的范式争论。
---
第三个主角正在入场。机器学习。
先看最成熟的方向：核质量预测。2025年，Tian等人在Physical Review C上发表了各向异性核脊回归加互补多观测量的框架——用12种质量相关观测量（分离能、各种Q值、alpha衰变能）联合训练。在121个历史上被AME2003标记为"预测值"但后来被AME2020测定的核素上，RMS误差降到106 keV。同年，Huang和Chen等人的物理信息全连接网络通过宏观-微观分解架构——让网络分别学习液滴平滑趋势和壳修正——在AME2020测试集上做到122 keV。作为对比，AME2020实验误差的典型范围是50到200 keV。ML已经在叩实验精度的天花板。
裂变产额的ML也在快速推进。希腊塞萨利大学的Prassa团队开发了贝叶斯混合密度网络：高斯过程回归增强稀疏数据、贝叶斯神经网络捕获认知不确定性、混合密度输出刻画多模态裂变模式——这个框架2025年发表在Physical Review C上。2024年，东京工业大学的Chen等人用贝叶斯网络加数据增强，整合JENDL-5评价数据、实验累积产额和五高斯唯象模型，用哈密顿蒙特卡洛做后验推断——成功再现了铀-235裂变产额中A=134和A=140-144的Brosa标准I和II非对称峰结构。没有数据增强时，这些精细结构被平滑掉了。同一年Tsioulos和Prassa在European Physical Journal A上用混合密度网络加高斯过程回归，训练χ²做到了2.00×10⁻⁶——提升了近一个量级——并成功预测了实验数据缺失的中间能量段裂变产额。
在核天体物理中，Saito、Dillmann、Krücken、Mumpower和Surman 2025年在Journal of Physics G上发表了神经网络r-过程代理模型。输入beta衰变半衰期和单中子分离能，输出丰度模式，加速约两万倍。深度集成提供不确定性量化。这让"从观测丰度反推核物理输入"的逆问题求解变得可行。
但ML的推进速度也引发了不安。
2024年，美国核监管委员会（NRC）资助密歇根大学的Radaideh教授50万美元开发"可许可的AI"框架。核心矛盾直白：深度学习精度高但是黑箱，监管机构没法许可。可解释的传统模型精度又不够，核安全不能妥协。项目合作者Brendan Kochunas公开表示——在已经有深厚物理知识的领域，用AI必须有可解释性保证。NRC对"可许可AI"的定义与能源部资助的AI研究之间存在"巨大鸿沟"。
这是"准确但错误"的恐惧：一个ML模型可以在验证集上表现完美，但它的预测可能违反守恒律或物理边界条件。你怎么在部署前发现？
MIT和Meta的Kitouni等人2024年在ICML上给了一个可能的方向。论文标题很有挑衅性："从神经元到中子"。他们用机制可解释性技术解剖了在核数据上训练的深度网络，发现网络内部自发涌现了跟人类核物理概念对齐的低维表示——壳结构、幻数、泡利不相容原理。论证了机制可解释性不仅可以验证已知物理，还可能发现新物理。距离"从ML模型提取人类未知的核物理知识"还有多远？没人知道。
而NuCLR——Nolte等人在ICML 2023上的多任务深度学习模型——已经在没有明确物理指令的情况下，自发涌现了核壳层结构的内部表征。ML不仅能学，学到的东西还能被"读出来"。
---
现在把镜头拉到实验前线。
2025年7月，中国科学院近代物理研究所的团队在Physical Review Letters上发了两篇背靠背论文。第一篇：精确测量硅-22的质量，发现质子数14是一个新幻数。此前三十年在奇特核区发现的新幻数——14、16、32、34——几乎全是中子幻数。Z=14是极少数被实验确认的新质子幻数之一。硅-22有14个质子和8个中子，位于质子滴线上。它的产生截面极低，近物所团队用首创的磁刚度识别等时性质谱术，仅探测到17个原子核就完成了精确质量测量。与镜像核氧-22（中子幻数14）的对应验证了镜像对称性，但测量也发现了微妙的库仑破缺。
第二篇：首次观测到铝-20——已知最轻的铝同位素，比稳定铝-27少7个中子，位于质子滴线外。它以三质子级联发射的方式衰变：先射出一个质子变成镁-19，镁-19再通过双质子放射性变成氖-17。这是实验上首例"子核具有双质子放射性"的三质子发射核。第一作者是徐晓栋副研究员，合作方包括德国GSI和复旦大学。
在此之前，2024年11月，同一个团队在PRL上确定了铝、磷、硫、氩四种元素的质子滴线位置，并提出氩-31可能是双质子晕核——就像锂-11有两个中子晕一样，氩-31可能有两个质子松散地环绕着核心。方法上的创新是镜像能差法——仅凭原子质量数据就可以探测质子晕结构和同位旋对称性破缺。
这些成果指向同一个物理图景：在核素图的边疆——滴线、极丰中子、极缺中子——幻数不是铁板一块。旧的崩塌，新的涌现。
氧-28是最戏剧性的例子。8个质子、20个中子——Z=8和N=20都是传统幻数。按理应该特别稳定。但2023年Nature上的实验（Kondo等人，RIKEN）发现它不束缚——只是一个短寿命共振态，发射两个中子衰变成氧-26。N=20在氧同位素中完全崩塌了。
而在钙区，N=32和N=34正在成为新的子壳闭合。2025年中山大学尧江明团队在Physical Review Letters上发表了里程碑式的工作：从手征核力出发，揭示了幻数从自旋对称性到赝自旋对称性的相变机制。这是对"为什么会有幻数"这个七十多年老问题的一次重要推进。同一年，他们的IM-GCM从头算方法在Physics Letters B上首次系统描述了N=20岛逆转区域的形状共存——这个区域长久以来被认为只能靠唯象模型处理。
北京大学叶沿林、杨晓菲与RIKEN的Sakurai在2024年Nature Reviews Physics上发表了奇特核物理三十年的全面综述，把晕核、皮核、幻数演化、滴线和开放量子系统整合在统一框架中。
---
中国的角色正在快速变化。
2025年10月，位于惠州的强流重离子加速器装置（HIAF）提前全线贯通、全面建成。核心指标——高能量脉冲流强——刷新了世界纪录。国际首台45GHz ECR离子源也在这一年出束。2025年12月，首批实验启动。HIAF瞄准的问题包括原子核存在的极限和宇宙重元素的起源。
在此之前，中国的突破来自旧装置上的新方法。兰州重离子加速器冷却储存环上的磁刚度识别等时性质谱术——在极低产生截面和极短寿命条件下精确测量滴线核质量——是近物所团队的原创技术。锦屏深地核天体物理实验（JUNA）在2400米深的地下，用世界最高流强的深地加速器，在2022年发表了Nature论文解释了宇宙最古老恒星的钙丰度之谜。JUNA实验澄清了碳-13(alpha,n)氧-16反应三十年的国际分歧，2025年初启动了第二批实验瞄准核天体物理的"圣杯"反应——碳-12(alpha,gamma)氧-16。
在ML核数据方面，中国原子能科学研究院核数据中心2025年在Physics Letters B上发表了CPSDNN方法——耦合深度相移神经网络——国际首次实现铀-235中子裂变截面3000多个共振峰与快中子能区的自洽计算。北京大学裴俊琛团队在裂变产额贝叶斯ML评估方面是国际核心团队之一，在INPC 2025做了邀请报告。兰州大学张鸿飞团队与西安交通大学合作，2024年在Physical Review C上发表了ML预测超重核裂变位垒的工作。兰大霍东英的博士论文用MC Dropout神经网络预测了五种锕系核的裂变碎片质量、电荷和动能分布，能量范围覆盖0.025 eV到45 MeV。
但差距同样清晰。中国在裂变第一性原理TDDFT计算方面几乎空白——这需要Summit乃至Frontier级别的超算资源和长期积累。不稳定核电子散射方向尚无类似RIKEN SCRIT或FAIR ELISe的装置。反质子奇特核研究无PUMA级实验。商业核物理ML软件生态为零。ML加核物理的基础算法创新仍以跟踪改进为主，原创性方法偏少。
---
把这三条线编织在一起——奇特核实验、裂变理论危机、机器学习的入侵——能看到什么？
一个正在经历范式压力的领域。
实验上，我们发现核的规则不是普适的，而是随环境演化的。幻数来了又走，晕在形变核上以各向异性的方式展开，滴线不是一条线而是一片模糊的过渡区。这是四十年从锂-11晕核开启的认识。
理论上，我们发现描述过程的框架有根子上的缺陷。绝热假设被TDDFT证伪，过阻尼假设被实验证伪。PREX-CREX困境暴露了当前所有密度泛函在同位旋矢量道上的系统性缺陷。这不是调一调参数的问题，是框架层面的问题。
方法上，ML正在以惊人的速度逼近传统方法的精度极限——但它带来的可解释性危机暴露了一个更深层的紧张：我们到底要精度还是理解？如果ML预测的核质量比最好的理论模型更准确，但它说不出为什么，这算"理解"吗？在核安全领域——反应堆设计、核废料处理——这个问题的答案是法律层面的，不只是学术层面的。
还有一个不对称值得一提：ML核质量预测的精度（RMS约100 keV）远超ML裂变产额预测的成熟度。质量是标量、数据丰富（AME约3500个核素）。裂变产额是高维分布、实验数据稀疏、对能点依赖强。ML在两个方向上的进展速度差异不反映方法本身的优劣，反映的是实验数据的贫富。
中国在实验上的优势（IMP的PRL×3、HIAF世界纪录、JUNA Nature）远超在裂变ML理论上的影响力。实验优势根植于大科学装置投资，可以在五到十年内见效。理论ML需要更长的积累周期——而且目前中国在商业核物理软件生态上几乎为零，所有实际应用依赖TALYS、GEANT4、MCNP等国外工具。
这些线索指向同一个方向：核物理正在进入一个需要同时回答"是什么"和"为什么"的阶段。"是什么"——核在极端条件下长什么样——正在被FRIB、RIKEN、HIAF以前所未有的速度推进。"为什么"——为什么力长这样、为什么壳这样排、为什么裂变这样走——正在承受来自第一性原理计算和ML的双重拷问。
1985年锂-11晕核的发现告诉物理学家：你以为你知道原子核长啥样？再想想。
2024年Bulgac的TDDFT和2025年Schmidt的实验反常告诉物理学家：你以为你知道核怎么裂开？再想想。
2026年，PREX-CREX困境和ML可解释性危机告诉物理学家：你以为你知道怎么从数据推出物理？再想想。
最让人兴奋的结果可能出现在交叉点上——实验、理论和数据科学互相拷问的那个地方。HIAF刚建成的束线上，第一性原理裂变计算的超算机时里，一个从核数据中自发涌现了壳层结构的神经网络深处——这些地方正在长出核物理的未来。
---
参考文献
[1] Ye Y.L., Yang X.F., Sakurai H., Hu B.S., "Physics of exotic nuclei," *Nature Reviews Physics* 7, 21-37 (2024). (Peking University / RIKEN Nishina Center)
[2] IMP Collaboration, "Mass measurement of ^22Si establishes Z=14 as a new proton magic number," *Physical Review Letters* (July 2, 2025). (Institute of Modern Physics, CAS)
[3] IMP + GSI Collaboration, "Precision mass measurements of ^23Si, ^26P, ^27S, and ^31Ar: Determination of the proton drip lines of Al, P, S, and Ar and evidence for a double-proton halo in ^31Ar," *Physical Review Letters* (November 27, 2024). (IMP/CAS + GSI Darmstadt)
[4] Xu X.D. et al. (IMP/CAS), "First observation of ^20Al and its three-proton cascade decay," *Physical Review Letters* (July 10, 2025). (IMP/CAS + GSI + Fudan University)
[5] Bulgac A., Abdurrahman A., Kafker K., Stetcu I., "Fission dynamics from time-dependent density functional theory: Non-equilibrium and non-Markovian effects," *Physical Review Letters* 132, 242501 (2024). (University of Washington)
[6] Schmidt K.-H., Schmitt C., Heinz A., "Memory effects in low-energy fission: Evidence against the overdamped Smoluchowski picture," arXiv:2509.24590 (2025). (GSI Helmholtzzentrum für Schwerionenforschung)
[7] Papakonstantinou P., "CREX and PREX-II reconciled within energy density functional theory," arXiv:2602.22722 (2026). (Institute for Basic Science, Korea)
[8] Qiu Y., Yue T.X., Zhang Z.H., Chen L.W., "Simultaneous description of PREX-II and CREX weak form factors with enhanced isovector tensor coupling in covariant DDPC," arXiv:2511.15385 (2025). (Shanghai Jiao Tong University)
[9] Piekarewicz J., "Implications of the ^132Sn matter radius for the CREX-PREX puzzle," arXiv:2603.11983 (2026). (Florida State University)
[10] Kunjipurayil A., Piekarewicz J., Salinas C.J., "Isospin-vector spin-orbit interaction and the CREX-PREX dilemma," *Physical Review C* 112, 014310 (2025). (Florida State University)
[11] Tian Y. et al., "Anisotropic kernel ridge regression with complementary multi-observables for nuclear mass predictions," *Physical Review C* 112, 064306 (2025).
[12] Huang C.H., Chen Y. et al., "Physics-informed fully connected neural network with macro-micro decomposition for nuclear mass prediction," *Physical Review C* 111, 034329 (2025).
[13] Tsioulos S., Prassa V., "Energy-dependent fission product yields with mixture density networks and Gaussian process regression," *European Physical Journal A* (2024). (University of Thessaly)
[14] Chen J., Mukobara Y., Ishizuka C., Katabuchi T., Chiba S., "Bayesian neural network with data augmentation for ^235U energy-dependent fission yields," *Journal of Nuclear Science and Technology* 61, 1509-1520 (2024). (Tokyo Institute of Technology / Institute of Science Tokyo)
[15] Prassa V. et al., "Bayesian mixture density networks for probabilistic fission charge yield predictions," *Physical Review C* (2025). (University of Thessaly)
[16] Saito T., Dillmann I., Krücken R., Mumpower M.R., Surman R., "Neural network surrogate models for r-process nucleosynthesis with deep ensemble uncertainty quantification," *Journal of Physics G: Nuclear and Particle Physics* 52, 055201 (2025). (TRIUMF / University of Notre Dame / Los Alamos National Laboratory)
[17] Kitouni O., Nolte N., Pérez-Díaz V., Trifinopoulos S., Williams M., "From Neurons to Neutrons: A case study in mechanistic interpretability," *Proceedings of ICML 2024*. (MIT/IAIFI + Meta FAIR + Harvard University)
[18] Yao J.M. et al., "Ab initio generator coordinate method with in-medium similarity renormalization group: Shape coexistence in the N=20 island of inversion," *Physics Letters B* 865, 139464 (2025). (Sun Yat-sen University)
[19] Yao J.M. et al., "Origin of nuclear magic numbers: A phase transition from spin to pseudospin symmetry from chiral nuclear forces," *Physical Review Letters* 136, 052501 (2026). (Sun Yat-sen University)
[20] CIAE Nuclear Data Center, "Coupled deep phase-shift neural network for self-consistent calculation of ^235U neutron-induced fission cross section with 3000+ resonances," *Physics Letters B* (2025). (China Institute of Atomic Energy)
[21] Zhang H.F. et al., "Machine learning prediction of superheavy nuclear fission barriers," *Physical Review C* 110, 034608 (2024). (Lanzhou University + Xi'an Jiaotong University)
[22] Pei J.C. et al., "Bayesian machine learning for fission yield evaluation with physics-informed data fusion," *Physical Review C* 104, L051601 (2021); *Physical Review C* 106, L021304 (2022); INPC 2025 invited talk. (Peking University)
[23] JUNA Collaboration, "Measurement of ^13C(α,n)^16O resolves a 30-year international discrepancy in the neutron source for the s-process," *Nature* (2022); "Progress of the Jinping Underground Nuclear Astrophysics experiment," *Annual Review of Nuclear and Particle Science* 74 (2024). (JUNA / IMP/CAS / CIAE / Beijing Normal University)
[24] RIKEN RIBF, "Matter radius of ^132Sn from proton elastic scattering and its implications for the symmetry energy," reported in Piekarewicz, arXiv:2603.11983 (2026). (RIKEN Nishina Center)
[25] Nolte N. et al., "NuCLR: Nuclear Co-Learned Representations — Self-supervised learning of nuclear concepts from deep neural networks," *ICML 2023 Workshop on Machine Learning and the Physical Sciences*. (TU Darmstadt / MIT)
[26] Kondo Y. et al., "First observation of ^28O," *Nature* 620, 965-970 (2023). (Tokyo Institute of Technology / RIKEN Nishina Center)
[27] Reed B.T., Fattoyev F.J., Horowitz C.J., Piekarewicz J., "Implications of PREX-II and CREX for the nuclear symmetry energy," *Physical Review C* 109, 035803 (2024). (Florida State University / Indiana University)
[28] Huang C.H., Chen Y. et al., "Tree-based machine learning for repairing theoretical nuclear mass models," *Physical Review C* 111, 024306 (2025).
[29] Ishizuka C. et al., "Physics-embedded Bayesian neural network for energy-dependent delayed neutron yields," presented at Nuclear Data + TOMOE Joint Workshop, KEK (November 2025). (Institute of Science Tokyo)
[30] 霍东英（导师姚泽恩）, "基于机器学习的锕系重核裂变碎片分布预测研究," 博士学位论文, 兰州大学 (2025). [Huo D.Y. (Supervisor: Yao Z.E.), "Machine learning prediction of actinide fission fragment distributions," PhD Thesis, Lanzhou University (2025)]