跳到正文
返回核天体物理
至真探索 · 核天体物理

AI 算核能级密度与天体物理反应率：给恒星炼元素装上"快准狠"的计算引擎

2026-09-03

引子：这次盯的是核数据里最"卡脖子"的一环

知识库里已经写过《关键天体物理核反应率》《AI 核反应数据》《AI 核结构预言》三篇。这一篇不重复它们，专门盯住一个更具体的交叉地带：机器学习怎么预测核能级密度，以及能级密度的误差怎么一路传染到天体物理反应率上。

为什么盯这个？因为研究恒星里怎么炼出金子、银子这些重元素时，科学家最头疼的不是没有公式，而是公式里填进去的参数不知道准不准。能级密度就是其中最重要的参数之一。它算不准，后面所有反应率的计算都是空中楼阁。

最近两年，这个领域突然热闹起来。土耳其、印度、中国、德国、美国、法国的团队几乎同时出手，各自用不同的机器学习方法啃这块硬骨头。这篇文章就把这些工作摆到一张桌子上，看看谁在用什么招，各自解决了什么问题。

一、先说清楚：能级密度到底是个啥，为什么难算

一个原子核就像一栋大楼。低楼层（低激发能）的房间数量少，一间间数得清。但楼层越高，房间越多、越密，到最后密到根本没法一间一间数——只能问"第 100 层到 101 层之间有多少个房间"。这个"单位能量里的房间数"，就是核能级密度。

这东西为什么重要？因为恒星里炼元素靠的是中子一个一个往原子核上砸。砸上去之后原子核吸收中子变成一个"烫"的复合核，然后通过放出伽马射线冷静下来。这个"吸收—冷静"的整个过程，出事的概率有多大，全看复合核在对应能量上能级密不密度。能级密度越大，可以落脚的中间状态越多，反应越容易发生。

难算在哪？三个原因。

第一，实验只能测到大楼的低楼层。中子共振间距、低激发能级的计数，都只覆盖很小的能量范围。

第二，高楼层只能靠理论公式外推。常用的公式（费米气体模型、Gilbert-Cameron 模型、广义超流模型）都有好几个参数，参数靠拟合实验数据得来——可实验数据本来就少，拟合出来的参数自然悬。

第三，离稳定线越远的核（比如 r-过程要用的中子特别多的核），实验数据越少，甚至是零。可恰恰是这些核，决定了宇宙里重元素怎么诞生。

传统办法是搞"系统学"：拿已知核的参数找规律，往未知核上推。但这就像拿小区里见过的户型去猜一个从没见过的户型——猜得糙。机器学习的进场，改变的就是这个"猜"的精度。

二、第一路：用神经网络直接"猜参数"

最早下手的是土耳其团队。

2021 年，哈桑·厄兹多安（Hasan Özdoğan，安塔利亚比伦克大学健康服务职业学院医学影像技术系）、耶伊特·阿利·云居（Yiğit Ali Üncü，阿克德尼兹大学技术科学职业学院生物医学设备技术系）、梅尔特·谢凯尔奇和阿卜杜拉·卡普兰（均为苏莱曼德米雷尔大学文理学院物理系）四人发表在《Applied Radiation and Isotopes》上的工作，用人工神经网络去估计三种常用唯象模型（费米气体、Gilbert-Cameron、广义超流）的参数，训练数据来自 RIPL 参数库（核反应计算通用的"参数字典"）。拿到参数后，他们调换 TALYS 反应计算程序里的默认参数，重新算了锡同位素的光中子截面做验证，相关性系数最高到 0.998。这是"神经网络 + 能级密度参数"这条线上的早期代表。

2024 年，吉林大学物理学院的杜鹏翔、商天帅、耿昆鹏、李健（与中科院近代物理研究所的方东良合作）在《Physical Review C》上把这条路推得更进一步：用前馈神经网络学习 289 个核的中子分离能处能级密度参数和能移，然后给近 3000 个核出参数。结果是，神经网络出的参数在复现实验数据上，跟"逐核拟合实验数据"得到的局部参数差不多好，而对没有实验数据的核，外推依然稳。这篇的价值在于：它证明了机器学习学到的不是死记硬背，而是真的抓到了参数随核素变化的规律。

更早的探索还有印度的尼沙尔·德维韦迪（Nishchal R. Dwivedi，博士出身于巴巴原子研究中心核物理部，后在印度理工学院孟买分校做博士后）：2019 年他用梯度提升树一口气预测了阻尼参数、壳修正能、四极形变、对能隙和超重核的能级密度参数，其中超重核能级密度参数是当时的关注焦点。这篇是预印本，未正式见刊，引用时要注意。

三、第二路：不光要猜得准，还要"说实话"——贝叶斯神经网络

普通神经网络给一个数，不告诉你这个数有多悬。但核天体物理恰恰最需要"误差条"：你算出来的反应率差 3 倍还是差 30%，结论完全两样。贝叶斯神经网络（BNN）就是为此而生的——它输出的不是单点，而是一个带不确定性的分布。

中国原子能研究院在这条线上打头阵。 2024 年，王馨钰、崔莹、田源、赵凯、张英逊（中国原子能研究院 + 中国核数据中心，张英逊兼任广西师范大学广西核物理与核技术重点实验室）在《中国物理 C》上发文：用 BNN 统一大范围描述能级密度，训练数据混合了理论模型计算和 Oslo 方法（一种从实验伽马谱提取能级密度的手段）的实验数据，同时输出模型不确定度。与最新实验数据对比，BNN 预测表现很好，并且这套方法可以直接接到核反应截面的后续分析里。

安徽大学的牛中明团队则把 BNN 用到了截面本身。 2024 年，李伟峰、刘丽乐（中国核数据中心、中国原子能研究院）、牛中明（安徽大学物理与光电信息学院）、牛一斐（兰州大学核科学与技术学院、兰州大学稀有同位素前沿科学中心）、黄小龙（中国核数据中心）在《Physical Review C》上发了一篇 (n,2n) 反应截面（一个中子进、两个中子出的反应，聚变堆材料研究的关键数据）的 BNN 预测。他们的巧思是往网络输入里加了三个"物理调料"：入射中子能量相对反应阈值的量、与奇偶效应相关的量、以及理论模型算出的截面本身。效果是均方根偏差从 TENDL-2021 理论库的 0.25 靶恩降到 0.10 靶恩，对重核改进尤其明显。

2026 年，安徽大学物理学院的李海波、李伟峰、武庆、牛中明再下一城，在《中国物理 C》上把 BNN 和一个有物理依据的经验公式捆绑起来预测麦克斯韦平均中子俘获截面（MACS）——这正是 s-过程（慢中子俘获）研究的核心输入量。他们在 30 keV 的天体物理典型温度下对比 KADoNiS 实验数据评价库，BNN 方案的对数均方根偏差 0.137，明显优于 TENDL-astro 2023 理论库的 0.255。这种"经验公式 + 神经网络"的混搭，是把领域知识塞进机器学习的一条经济路线。

法国里昂的团队走的是另一条更"较真"的路。 2024 年，A. 沙利勒（A. Chalil，现于法国原子能和替代能源委员会 IRESNE 核测量实验室）、C. 迪库万、O. 斯泰佐夫斯基、N. 米亚尔-皮纳尔、J. 迪杜埃、Y. 德马内、M. 沙姆塞丁（里昂第一大学 + 法国国家科学研究中心/国家核与粒子物理研究院、里昂核物理研究所 IP2I）在《Physical Review C》上干了一件很关键的事：他们用贝叶斯优化给 Oslo 方法测的能级密度模型参数定了 95% 可信区间，然后把参数的误差一路传播到 (p,γ) 反应截面（质子俘获，p-过程——35 个贫中子核素来源——的关键反应），再对比 TALYS 程序里六套默认能级密度模型给出的截面范围。结论很清楚：贝叶斯方法给出的截面范围明显更窄，也就是更"敢说话"；同时他们呼吁天体物理相关能区必须有能级密度数据。这是"能级密度不确定性 → 反应率不确定性"传播链条上的一个样板工程。

德国美因茨团队把误差量化做到了最基础的反应上。 2022 年，比贾亚·阿查里亚和索尼亚·巴卡（均在美因茨约翰内斯·古腾堡大学核物理研究所 + PRISMA+ 卓越集群，巴卡另隶属美因茨亥姆霍兹研究所）在《Physics Letters B》上，对手征有效场论算的低能 np↔dγ 反应（质子中子结合放伽马，大爆炸核合成直接相关）截面，用高斯过程（机器学习里的概率模型）给截断误差定贝叶斯可信区间，算出核势截断误差的 1σ 大约 0.2%。这篇的意义在于方法论：它示范了机器学习工具可以给"理论本身的误差"上户口——不是拍脑袋给个经验值，而是有统计含义的区间。

四、第三路：把物理公式直接长进网络里

前面几路都是"神经网络猜参数、公式来干活"。2025 年底到 2026 年，更激进的一路出现了：让物理约束直接嵌进网络结构和损失函数里。

土耳其的博拉·詹布拉（Bora Canbula，马尼萨切拉勒巴亚尔大学计算机工程系，另在一家软件公司任职）2026 年初在《Applied Sciences》上独著发文：物理信息神经网络（PINN）+ 多任务学习，一个网络同时干两件事——预测累积能级数 N(E) 和平均共振间距 D₀（两个任务通过损失函数加权耦合，权重 0.7 比 0.3）。数据覆盖 1136 个同位素的累积能级加 289 个核的实验共振间距。物理约束不靠显式惩罚项，而是靠架构设计和任务耦合隐式实现。在两项拟合优度指标上，这个模型明显优于 BSFGM、CGCM、GSM 三大传统模型和纯数据驱动方法。弱点也诚实：高自旋态、壳闭合区、过渡核的表现还差。要注意，这项工作本身没有接 Hauser-Feshbach 反应计算，那是它声明的下一步（伽马跃迁概率、中子俘获截面）。

中国湖南师范大学团队把它推到了核天体物理主战场。 2026 年 4 月，《The Astrophysical Journal》刊出赵天亮、刁宜翔、包小军（湖南师范大学物理与电子科学学院；包小军主持的国家自然科学基金面上项目 12175064 和联合重点项目 U2167203 正是这篇的资助方）的论文：标题直白——"物理约束神经网络推断远离稳定线能级密度参数的优势与验证"。他们的做法很有意思：网络用 Transformer 架构（自注意力机制，就是大语言模型里那套），但网络不直接输出能级密度，而是输出四个物理量——扩展托马斯-费米模型的参数 a、b、c 和壳阻尼能量 Ed——然后代入可微分的物理公式算出结果。四种训练策略对比下来，最反直觉的结论出现了："没有先验知识 + 显式物理约束"的组合最好（均方根误差 0.471），既好于纯数据驱动（0.629），也好于"嵌入先验知识"（0.521），更是明显好于传统贝叶斯推断基准（0.643）。模型成功复现了幻数（A=132、208）附近因壳效应导致的参数峰，外推到未训练的轻核也可靠。这篇等于给"物理约束怎么嵌、嵌多少"这个问题给出了系统性的答案。

印度团队则从实验端往回打。 2025 年，科钦科技大学物理系的 Jyothish、V. Parvathi、A. K. Rhine Kumar 在《Pramana》上用深度神经网络直接学习 Oslo 方法测的实验能级密度（镧系核和第五周期核），均方根误差 0.098 和 0.101 MeV⁻¹，优于 RIPL-3 库里 HFB+组合模型的描述，并给无实验数据的同位素出了预测。同期奥斯陆团队自己也在进化：A. H. 米约斯、E. 利马、A. 克韦勒斯塔德、A. C. 拉森、M. 耶尔特-延森（奥斯陆大学等，2026 年 6 月预印本、已投《Physical Review C》）提出经验贝叶斯分层展开方法处理伽马谱，保留泊松计数结构、强制非负、联合处理本底，用 NUTS 采样器给展开结果配不确定度带。实验端把数据质量做扎实，机器学习端才有好粮食——这两条线是咬合的。

五、终极形态：整张反应网络配一个"机器学习替身"

能级密度和单个反应率之上，是核反应网络——几百到几千个核、上万条反应一起随时间演化。恒星并合喷出物的 r-过程模拟就是典型。全网络直接算太贵，于是"机器学习替身"（emulator）登场。

洛斯阿拉莫斯国家实验室 + 克莱姆森大学：先用机器学习把质量算好。 2024 年，李梦柯（克莱姆森大学，洛斯阿拉莫斯资助）、特雷弗·斯普劳斯（洛斯阿拉莫斯国家实验室）、布拉德利·迈耶（克莱姆森大学物理与天文学系）、马修·蒙普尔（洛斯阿拉莫斯国家实验室理论部）在《Physics Letters B》上用混合密度网络（MDN）构建覆盖整个核素图的原子质量模型——只用约 650 个核做训练，全核素图质量预测均方根误差约 246 keV，与主流理论模型打平。关键是他们首次把这个机器学习质量模型直接用于 r-过程模拟（用 PRISM 反应网络代码），算出的丰度模式（直到钍和铀）与太阳系观测定性吻合，A=130 和 A=195 两个主峰位置都复现了。质量不确定性通过千次蒙特卡洛采样传播，误差带约一个数量级。

TRIUMF + 洛斯阿拉莫斯 + 圣母大学：直接给丰度模式配替身。 2025 年，斋藤之彦（Yukiya Saito，TRIUMF/不列颠哥伦比亚大学，现于圣母大学）、伊里斯·迪尔曼（TRIUMF/维多利亚大学）、莱纳·克吕肯（TRIUMF/不列颠哥伦比亚大学/劳伦斯伯克利实验室）、马修·蒙普尔（洛斯阿拉莫斯理论部与天体物理中心）、丽贝卡·苏尔曼（圣母大学物理系）在《Journal of Physics G》上发文：用前馈人工神经网络训练一个快替身，输入稀土区核素的 β 衰变半衰期和单中子分离能，直接输出最终同位素丰度模式，还配了深度集成方法给预测不确定度。提速约 20000 倍。有了这个替身，不确定度量化、逆问题、灵敏度分析这类以前算不起的统计任务都变得可行。顺带澄清一个容易搞混的点：他们用的 PRISM 是洛斯阿拉莫斯团队开发的 r-过程反应网络代码（Portable Routines for Integrated nucleoSynthesis Modeling），这跟 2019 年《天体物理学报增刊》上范德费尔登等人那篇同名"PRISM"（贝叶斯线性模型模拟器工具）是完全不同的两个东西，引用时千万别张冠李戴。

德国 GSI：替身直接嵌入流体力学模拟。 2026 年，奥利弗·尤斯特（Oliver Just，德国重离子研究中心 GSI，兼日本理研天体物理大爆炸实验室）、熊泽维（GSI）、加布里埃尔·马丁内斯-皮内多（GSI，兼达姆施塔特工大核物理研究所）在《Physical Review D》上发表 RHINE 方案：用神经网络替代完整核网络，为中子星并合流体力学模拟实时提供 r-过程释能速率——网络只演化少数几个描述核素组成的量，每一时间步的核变化率由神经网络给出，训练数据来自大批完整核网络轨迹。验证显示释能总能量与后处理结果吻合度优于 10%。结果很具体：动力学抛射物每核子平均释能 2.3 MeV，黑洞吸积盘抛射物 2.1 MeV 且质量增加 40%，千新星因此显著变亮。这是"机器学习替身"从统计工具升级成模拟引擎内核的标志之作。

六、把这张拼图拼起来

把上述工作按"深度"排个序，可以看到清晰的三个层级：

第一层，参数级。 神经网络猜能级密度参数（土耳其 ANN、吉林 FNN、印度梯度提升树）。这层解决"参数从哪来"，已基本成熟。

第二层，观测量级 + 误差级。 BNN 直接预测能级密度、(n,2n) 截面、MACS（原子能院、安徽大学/兰州大学），贝叶斯传播参数误差到反应率（里昂），高斯过程量化理论误差（美因茨），物理约束网络远离稳定线外推（湖南师大）、PINN 多任务（土耳其）。这是当前最活跃的一层，2024-2026 年成果井喷。

第三层，网络级。 机器学习质量模型进 r-过程模拟（洛斯阿拉莫斯/克莱姆森）、丰度模式替身（TRIUMF 等）、反应网络替身嵌入流体力学（GSI RHINE）。这层刚起步，但天花板最高——它直接改写了核天体物理模拟的计算经济学。

几个值得记住的判断：其一，"物理约束 + 无先验"的组合拳在中国团队手里打出了最好的成绩（湖南师大 ApJ 2026），说明怎么把领域知识交给机器学习本身已是一门有答案可循的学问；其二，不确定性量化已从可选项变成标配——原子能院、里昂、美因茨、TRIUMF 的每一篇都把误差条当作一等公民；其三，中国团队在这条赛道上不是跟跑：能级密度 BNN（原子能院）、截面 BNN（安徽大学/原子能院/兰州大学）、物理约束 Transformer（湖南师大）三线都有代表作。

剩下的硬骨头也明确：高自旋态和集体激发的能级密度（Canbula 明说这是短板）、天体物理相关能区实验数据的持续供给（里昂团队的呼吁）、以及替身外推到从未见过的天体物理条件时的可靠性。此外奥斯陆团队把贝叶斯展开用到伽马谱上的工作提示我们：实验数据生产线自身的"不确定度改造"才刚开始。

一句话收尾：能级密度和反应率曾是核天体物理里"最不敢细算"的那部分。现在机器学习不光让它们算得快，更让每一次计算都带着诚实的不确定度——对一个研究恒星怎么炼金子的领域来说，这是从"猜"到"测"的分水岭。

参考文献

  1. H. Özdoğan (Antalya Bilim University, Vocational School of Health Services, Dept. of Medical Imaging Techniques), Y. A. Üncü (Akdeniz University, Vocational School of Technical Sciences, Dept. of Biomedical Equipment Technology), M. Şekerci, A. Kaplan (Süleyman Demirel University, Faculty of Arts and Sciences, Dept. of Physics), "Estimations of level density parameters by using artificial neural network for phenomenological level density models", Applied Radiation and Isotopes 169, 109583 (2021). DOI: 10.1016/j.apradiso.2020.109583
  2. X. Wang, Y. Cui, Y. Tian, K. Zhao, Y. Zhang (China Institute of Atomic Energy; China Nuclear Data Center, CIAE; Guangxi Key Laboratory of Nuclear Physics and Technology, Guangxi Normal University), "Uncertainties of nuclear level density estimated using Bayesian neural networks", Chinese Physics C 48(8), 084105 (2024). DOI: 10.1088/1674-1137/ad47a7
  3. P.-X. Du, T.-S. Shang, K.-P. Geng, J. Li (College of Physics, Jilin University), D.-L. Fang (Institute of Modern Physics, Chinese Academy of Sciences), "Inference of parameters for the back-shifted Fermi gas model using a feedforward neural network", Physical Review C 109, 044325 (2024). DOI: 10.1103/PhysRevC.109.044325（arXiv:2401.05622）
  4. N. R. Dwivedi (Bhabha Atomic Research Centre / IIT Bombay), "Trees and Islands — Machine learning approach to nuclear physics", arXiv:1907.09764 (2019). 预印本，未正式见刊
  5. B. Canbula (Department of Computer Engineering, Manisa Celal Bayar University, Türkiye), "Predicting Nuclear Level Density Using a Physics-Informed Neural Network with Multi-Task Learning", Applied Sciences 16(1), 312 (2026). DOI: 10.3390/app16010312
  6. K. Jyothish, V. Parvathi, A. K. Rhine Kumar (Department of Physics, Cochin University of Science and Technology, India), "Nuclear level density studies using deep neural network techniques", Pramana 99, 53 (2025). DOI: 10.1007/s12043-025-02907-6
  7. A. H. Mjøs, E. Lima, A. Kvellestad, A. C. Larsen, M. Hjorth-Jensen (University of Oslo 等), "Empirical-Bayes Unfolding of γ-ray Spectra", arXiv:2606.24971 (2026). 预印本，已投 Physical Review C
  8. T. L. Zhao, Y. X. Diao, X. J. Bao (湖南师范大学物理与电子科学学院；NSFC 12447111、U2167203、12175064 资助), "Precise Inference of Nuclear Level Density Parameters Far from the Stable Line in Nuclear Astrophysics: The Advantages and Verification of the Physical-constraint Neural Network", The Astrophysical Journal 1001(1), 51 (2026). DOI: 10.3847/1538-4357/ae518a
  9. A. Chalil, C. Ducoin, O. Stézowski, N. Millard-Pinard, J. Dudouet, Y. Demane, M. Chamseddine (Université Claude Bernard Lyon 1, CNRS/IN2P3, IP2I Lyon；一作现址 CEA DES/IRESNE Nuclear Measurement Laboratory), "Bayesian uncertainty quantification on nuclear level-density data and their impact on reactions of astrophysical interest", Physical Review C 110, 024602 (2024). DOI: 10.1103/PhysRevC.110.024602
  10. W. F. Li (Anhui University), L. L. Liu (China Nuclear Data Center, China Institute of Atomic Energy), Z. M. Niu (Anhui University), Y. F. Niu (Lanzhou University, School of Nuclear Science and Technology; MOE Frontiers Science Center for Rare Isotopes), X. L. Huang (China Nuclear Data Center, CIAE), "Predictions for the (n,2n) reaction cross section based on a Bayesian neural network approach", Physical Review C 109, 044616 (2024). DOI: 10.1103/PhysRevC.109.044616
  11. H. B. Li, W. F. Li, Q. Wu, Z. M. Niu (School of Physics, Anhui University), "Predictions of neutron-capture reaction cross sections using a Bayesian neural network approach combined with a physically motivated empirical formula", Chinese Physics C 50(6), 064102 (2026). DOI: 10.1088/1674-1137/ae50e6
  12. B. Acharya, S. Bacca (Institut für Kernphysik and PRISMA+ Cluster of Excellence, Johannes Gutenberg-Universität Mainz; S. Bacca 亦隶属 Helmholtz-Institut Mainz), "Gaussian process error modeling for chiral effective-field-theory calculations of np↔dγ at low energies", Physics Letters B 827, 137011 (2022). DOI: 10.1016/j.physletb.2022.137011（arXiv:2109.13972）
  13. M. Li (Clemson University / Los Alamos National Laboratory), T. M. Sprouse (Los Alamos National Laboratory), B. S. Meyer (Clemson University), M. R. Mumpower (Los Alamos National Laboratory, Theoretical Division), "Atomic masses with machine learning for the astrophysical r process", Physics Letters B 848, 138385 (2024). DOI: 10.1016/j.physletb.2023.138385
  14. Y. Saito (TRIUMF; University of British Columbia; 现址 University of Notre Dame), I. Dillmann (TRIUMF; University of Victoria), R. Krücken (TRIUMF; UBC; Lawrence Berkeley National Laboratory), M. R. Mumpower (Los Alamos National Laboratory, Theoretical Division; Center for Theoretical Astrophysics), R. Surman (Department of Physics, University of Notre Dame), "Emulation of the calculations of final r-process abundance patterns with a neural network", Journal of Physics G: Nuclear and Particle Physics 52, 055201 (2025). DOI: 10.1088/1361-6471/add360（arXiv:2412.17918）
  15. O. Just (GSI Helmholtzzentrum für Schwerionenforschung, Darmstadt; Astrophysical Big Bang Laboratory, RIKEN), Z. Xiong (GSI), G. Martínez-Pinedo (GSI; Institut für Kernphysik, Technische Universität Darmstadt), "RHINE: R-process Heating Implementation in hydrodynamic simulations with NEural networks", Physical Review D 113(8), 083022 (2026). DOI: 10.1103/PhysRevD.113.083022（arXiv:2507.09040）

附注：文中两处预印本（参考文献 4、7）均按预印本标注；r-过程 PRISM 反应网络代码（Sprouse、Mumpower、Surman 等开发）与 2019 年 ApJS 242, 22 上 van der Velden 等的同名 PRISM（贝叶斯线性模型模拟器工具）是两个不同工具，本文仅在 r-过程模拟语境下使用前者，特此说明以免混淆。