跳到正文
返回核结构
至真探索 · 核结构

AI 找稳定岛：机器学习怎么帮人类逼近元素周期表的尽头

2026-09-03

一句话总结：找稳定岛这件事，难就难在"看不见、算不准、造不出"。AI 正在这三个地方同时下手——先算出岛可能在哪，再算出岛上的原子核能活多久，然后帮实验装置省下宝贵的机器时间，让一年只能打几个原子的实验少走弯路。

一、先说清楚：稳定岛是个啥岛

元素周期表到 118 号（鿫，Og）为止。再往上，119 号、120 号还没人造出来过。

不是不想造，是造出来也活不长。原子核里质子越多，质子之间的静电排斥就越狠。现在的超重元素，最快的几毫秒就散架了。

但理论物理学家几十年前就发现一个规律：质子数或中子数凑到某些"整数"（行话叫幻数）时，原子核会特别稳。就像鸡蛋装满一盒最不容易滚。于是大家推测：如果质子数凑到 114 或 120 附近、中子数凑到 184 附近，可能出现一批能活几分钟、几小时甚至更久的超重核——这片区域就叫"稳定岛"。

岛在哪，现在没人知道。因为要画这张地图，得先知道每个原子核的质量（质量决定它衰变能放出多少能量），再算它能活多久。而已知质量的核有 2000 多个，整个核素图上有 7000 多个核素，一大半没人测过。越靠近稳定岛，越是完全的空白。

传统的办法是搞理论模型——把核力、壳效应这些规律写成公式，外推到未知区域。问题也很明显：公式里参数一大堆，不同模型给出的答案互相打架。比如稳定岛的质子幻数到底是 114 还是 120，理论界吵了几十年。

这就是 AI 上场的背景：别吵了，让数据说话。

二、AI 能帮上什么忙：四个角色

把超重核研究拆开看，AI 在四个位置都能干活：

  1. 画地图的：预测每个未知核素的质量，从质量推衰变能，圈出最稳定的位置；
  2. 算寿命的：预测每个核怎么衰变（α 衰变还是自发裂变）、能活多久；
  3. 修路的：算出用哪种粒子打哪种靶最容易合成目标核，以及裂变位垒（决定核会不会当场散架）有多高；
  4. 开机器的：帮实验室把加速器、离子源调到最好状态，省下打靶的机器时间。

下面一段一段说，每个角色都有真实发表的工作，而且都是我们逐篇核实过作者和单位的。

三、画地图：AI 预言岛在哪

3.1 把质量算准到 84 keV：跨过 r 过程研究的门槛

核质量是所有预言的地基。质量差一点，衰变能就差一大截，算出来的寿命能差几个数量级。

安徽大学物理与光电工程学院的牛中明，和东京大学大学院理学系研究科（兼 RIKEN Nishina 中心）的梁豪兆合作，用贝叶斯神经网络（一种自带误差估计的机器学习）改进传统质量模型：保留模型里已知的物理，让神经网络只学剩下的偏差。结果把已知区域的质量预测精度做到了 84 keV，跨过了 r 过程研究要求的 100 keV 门槛 [2]。

顺带说清楚一件事：这篇论文本身预言的是未知区域的壳结构（比如 N=40 附近的新幻数、N=82 壳很结实、N=126 壳会变弱），而不是直接给出"稳定岛在 Z=120"。岛的位置之争，得靠下面这些工作合起来看。

这个团队此前 2018 年在 Physics Letters B 上的工作（贝叶斯神经网络的初版），是中文核物理圈 ML 质量模型路线的起点之一 [16]。

3.2 LANL 的做法：不光给答案，还给"靠谱程度"

美国洛斯阿拉莫斯国家实验室（LANL）理论部的 Amy Lovell、Arvind Mohan、Trevor Sprouse、Matthew Mumpower 走了另一条路：用混合密度网络直接学实验质量数据，并把物理特征（比如分离能）加进输入里。这个网络的好处是每给一个预测都附带不确定性——离已知区越远，误差条越宽，一目了然 [3]。

同一批人还试过"物理约束当损失函数"的玩法：训练时顺便要求模型满足 Garvey-Kelson 关系（一组老经验的核质量规则），发现光拟合得好不代表物理对，加上物理约束后外推才靠谱 [4][5]。

对找稳定岛来说，这类工作的价值在于：它告诉你 AI 的预言里哪些能信、哪些别信。岛那么远，误差条画出来是必要的。

3.3 核素图有没有边界，也能用贝叶斯算

密歇根州立大学 FRIB（稀有同位素束流装置）和统计与概率系有一支专门的跨界团队，领头的是统计学家 Léo Neufcourt，加上 Nazarewicz、Viens 等人。他们把多个质量模型放进贝叶斯框架里加权平均——哪个模型解释了最新实验发现，就多信它一点——算出了钙区中子滴线的位置，比如 68Ca 存在的概率约 76% [6]。

这套方法跟超重核研究是同一个逻辑：在数据稀少的边疆，与其信单个模型，不如让模型们按能力投票。找稳定岛最终也得这么干。

3.4 换一种神经网络：乘积单元

德国科布伦茨应用技术大学数学与技术系的 Babette Dellen、Uwe Jaekel，和葡萄牙马德拉大学数学系的 Paulo S. A. Freitas，加上圣路易斯华盛顿大学物理系的 John W. Clark，2024 年提出了"乘积单元网络"：把普通神经元的"加权求和"换成"乘法耦合"，专门对付外推任务。他们还提出了一套复数值网络的不确定性度量，用 Garvey-Kelson 关系当裁判来检验外推质量 [7]。核物理里很多规律本来就是乘积形式的（壳修正、配对效应都跟质子数中子数的乘积纠缠），这种网络设计是有物理直觉在里面的。

四、算寿命：岛上的核能活多久

地图画好了，下一个问题是：岛上的核是能活很久，还是几毫秒就散架？这决定实验上能不能真的"研究"它们，而不只是"看见"它们。

4.1 中山大学的随机森林：96.9% 猜中衰变方式

中山大学中法核工程与技术学院的博士生蔡博帅（2022 级，第一作者）和通讯作者袁岑溪，2023 年在 Nuclear Science and Techniques（中科院上海应用物理所主办的中国核学会英文会刊）发表了一篇很有传播力的论文：用随机森林算法，对超重区五种衰变方式（α 衰变、β⁻、β⁺、电子俘获、自发裂变）做竞争预测。120 号元素以后已知核的主衰变方式，猜中了 96.9% [1]。这篇论文还是该刊的封面论文（封面是一片森林，致敬随机森林这个算法名）。

两个关键预言值得单独说：

  • 119 到 122 号新元素的同位素，主要走 α 衰变——但部分偶偶核会因静电排斥增强而走自发裂变；
  • 298Fl（114 号元素 𫓧 的一个同位素）西南方向存在一个长寿命的自发裂变岛，由裂变位垒和静电排斥的竞争造成。这句话翻译成人话：就算你造到了稳定岛边上，也可能撞上一片"裂变地狱"，很多核会当场散架，根本等不到 α 衰变。所以想摸到岛，得绕着这片区域走 [1]。

4.2 湖南团队的神经网络：把衰变能从 663 keV 算准到 89 keV

湖南工商大学数字媒体工程与人文学院的陈海军（通讯作者），和盛浩文、黄文豪、吴彬琪，加上湖南师范大学物理与电子科学学院的赵天亮、包小军（通讯作者），2025 年在《物理学报》发表了一个很漂亮的结果：先写一个类液滴模型公式算 α 衰变能，再用神经网络修正它的误差。衰变能的计算精度从 663.5 keV 提到了 89.2 keV [8]。

有意思的地方在于：他们并没有把壳效应直接写进模型，但神经网络算出的衰变能分布里，超重区双幻核（质子和中子都凑满"整数"的最稳定位置）的位置自己浮出来了，跟主流理论预言非常接近，等于从数据角度给稳定岛的存在又投了一票 [8]。

4.3 SVM 算 α 半衰期：上海和美国的合作

α 衰变半衰期是判断核寿命的另一条路。浙江理工大学物理系的 Amir Jalili（兼南开大学）和陈爱喜，联合辽宁师范大学的潘峰（兼美国路易斯安那州立大学）、LSU 的 Jerry P. Draayer、同济大学的任中洲，2024 年在 Scientific Reports 上用支持向量机（SVM）预测 α 半衰期：输入不止质子数中子数，还加了衰变能和角动量这些物理特征，2232 个核的数据，均方根误差最低做到 0.352（对数尺度）[9]。他们还用 SHAP 方法（一种解释 AI 决策的工具）指出：预测主要被母核的性质主导。这跟物理直觉一致——α 衰变本质上是母核"爬"出库仑位垒。

4.4 印度团队：既要准，也要看得懂

印度哥印拜陀巴拉蒂亚尔大学物理系的博士生 S. Madhumitha Shree 和导师 M. Balasubramaniam，做了一条很务实的路线：

  • 2025 年先用 XGBoost（一种梯度提升树算法）预测 344 个 α 发射核的半衰期，外推到超重区 [10]；
  • 2026 年升级成 XGBoost + 符号回归（PySR）：先用 SHAP 看出 Z 和 1/Q 两个特征最重要，然后让符号回归吐出一条人类能读懂的公式，还能外推预测 107 号、110 号元素同位素的半衰期 [11]。

这条路线的价值是"可解释性"：核物理学家不放心黑箱，那就让 AI 把黑箱写成公式。物理学家看一眼，知道公式里每一项大概对应什么物理，才敢拿去指导实验。

五、修路：造岛的路上堵不堵

寿命算清楚了，最后一个大问题：怎么把核造出来？现在的路子是用重离子打靶（热熔合），一年打几个原子。蒸发剩余截面——粗略说就是"打多少炮弹能中一发"的概率——小到皮米级。AI 在这一环也扎扎实实出了力。

5.1 神经网络改进合成截面

兰州大学核科学与技术学院的赵天亮、张鸿飞（这篇 2022 年发表时两人同时挂西安交通大学物理学院），加上湖南师范大学的包小军，用神经网络修正双核模型算出的超重核蒸发剩余截面。改进后理论跟实验对得更齐，蒸发 5 个中子的通道改进最明显——而这正是合成 119、120 号元素最可能走的通道 [12]。

5.2 SVM 修质量，截面跟着变准

同一系统的下一步：西安交通大学物理学院的李佳星和兰州大学核科学与技术学院的张鸿飞，2023 年用 SVM 修正有限程液滴模型（FRDM）的质量，把均方根误差从 0.606 MeV 降到 0.253 MeV，再把修好的质量喂给双核模型算合成截面，较好重现了 48Ca+238U 的实验数据，然后预言了 119、120 号元素的合成截面 [13]。这条链路很典型：AI 修基础数据 → 基础数据改进下游预测。

5.3 迁移学习算裂变位垒

裂变位垒是存活概率计算里最大的不确定来源。西安交通大学物理学院的张旭喆、李佳星、陈婉羚、张鸿飞（通讯作者）2026 年在《物理学报》发表的工作用迁移学习：先拿理论模型的海量预测数据预训练神经网络，再用少量实验数据微调。结果有限程液滴模型的裂变位垒误差从 1.03 MeV 降到 0.60 MeV，WS4 模型从 0.97 降到 0.61 MeV；结合能的测试集误差从 0.33 MeV 降到 0.17 MeV [14]。

迁移学习在这儿特别合适：实验位垒数据就几十个点，硬训神经网络必过拟合；先学理论模型的"大势"，再让实验数据"校准"，两全。

5.4 裂变碎片怎么碎：LANL 的混合密度网络

超重核造出来后如果走自发裂变，碎片质量分布直接关系到它对实验信号的"贡献"。LANL 的 Amy Lovell、Arvind Mohan、Patrick Talou（理论部）用混合密度网络重现 252Cf 自发裂变的碎片质量产额，还系统研究了实验误差怎么传播到预测的不确定性里，以及 235U 中子诱发裂变的能量依赖外推 [15]。这类工具以后对解释超重核实验信号会有用——碎片分布本身就是鉴定新元素的重要依据。

六、开机器：AI 进了控制室

前面四节都是"算"。但找稳定岛最终要靠打靶——一台加速器一年给这个实验的机时非常有限，而现有 116 到 118 号元素几乎全靠 48Ca 这发"魔法炮弹"打出来的。想冲 120 号，必须换 50Ti 这种更难驾驭的炮弹。这时候 AI 的角色从纸面转到了控制室。

6.1 LBNL：先用 50Ti 造出 116 号，再冲 120 号

2024 年 7 月，美国劳伦斯伯克利国家实验室（LBNL）重元素组宣布：在 88 英寸回旋加速器上，用 50Ti 束流打钚靶，22 天里造出了 2 个 116 号元素（𫟅，Lv）的原子——这是人类头一回不用 48Ca 造出这个区域的超重核 [17]。

这项工作是冲 120 号的铺路石：120 号要用 50Ti 打 249Cf（锎）靶，田纳西州橡树岭国家实验室要为此提供约 45 毫克的锎。团队领头人 Jacklyn Gates（重元素组负责人）估计造 120 号要比造 116 号难十倍左右，但"现在看起来可行"。组里的 Jennifer Pore 说得更直白：换钛束流会不会把产额打得太低，之前谁也不知道，这个实验把这条路验证通了 [17]。

物理学家 Witold Nazarewicz（FRIB 首席科学家）对此的评论点出了 AI 的用武之地：这种极端稀缺的实验，每一步都得靠理论预判"值不值得打"。前几节那些 AI 截面预言，正是给这种决策用的。

6.2 VENUS 离子源：AI 第一次自己学会开离子源

LBNL 的 VENUS 是第三代超导 ECR 离子源，88 英寸回旋加速器的注入器，也是 FRIB 的原型机。开这种离子源要同时拧十到二十个旋钮，全靠老师傅手感。

Yue Shi Lai、Heather Crawford、Marco Salathe、Damon Todd 等人（88 英寸回旋加速器与应用核物理组）干了件聪明事：2022-2023 年先在正常运机器时偷偷记录了约 1000 小时的"师傅操作数据"（偏压盘电压、注氧量这些设置和机器反应），然后用离线强化学习——不在真机器上试错，而是从历史数据里学——训练出神经网络。2025 年一个周末，把这个网络放到真 VENUS 上跑：它把偏压盘稳定在 57 V（训练值 55 V），维持了一个小时的稳定束流输出。这是离子源领域第一次用强化学习完成闭环控制 [18]。

这事的直接意义：以后打 120 号要的 50Ti 束流（VENUS 里用 ~3000 华氏度的炉子蒸钛），调束可以更快更稳，机器时间留给真正打靶。

6.3 GSI 的 Geoff：注入损失从 45% 压到 12%

德国重离子研究中心 GSI（欧洲造超重元素的老牌实验室，SHIP 分离器所在地）和达姆施塔特工业大学合作开发了自动调束框架 Geoff（Generic Optimization Framework and Frontend），集成贝叶斯优化、强化学习等方法。在 SIS18 同步加速器的多圈注入调束上，把注入损失从 45% 降到 12%，而手动调最多要 2 小时的活它 15 分钟干完；碎片分离器（FRS）的设置也用分类算法加速了 [19]。

GSI 正是打算合成 119 号（用 50Ti 打 249Bk）的实验室之一。注入损失降一半以上，意味着同样的束流时间里打到靶上的离子多了——对一年只指望几个原子的实验，这就是直接的生产力。

6.4 RIKEN：119 号搜索正在进行时

日本理化学研究所仁科中心 2018 年成立超重元素研究组，升级了超导直线加速器 SRILAC（配 28 GHz 超导 ECR 离子源）和新一代充气反冲分离器 GARIS-III，用 51V 打 248Cm 冲 119 号。橡树岭国家实验室按材料转让协议提供高富集 248Cm 靶材。相关实验从 2020 年 10 月起持续进行，合作组叫 nSHE，成员来自日、美、法、波兰、澳大利亚、中国 [20]。设施升级的技术细节，Sakai、Haba、Morimoto、Sakamoto 四位（均属仁科中心）2022 年在 European Physical Journal A 有完整总结 [20]。按理论估计，119 号截面可能低到 10 fb 量级——不升束流强度根本没戏，这正是机器侧必须优化的原因。

顺带说一句 2026 年的进展语境：截至写稿，119、120 号都还没有公认发现。AI 侧和机器侧的所有努力，都是在给"也许下一次束流时间就能撞上"做准备。

七、清醒一点：AI 的短板

把上面这些工作放一起看，也得说实话：

  • 数据太少。已知质量的核就 2000 多个，超重区尤其少。AI 最怕的就是数据少，所以大家才拼命加物理约束（贝叶斯框架、物理损失函数、迁移学习），本质都是"用物理知识补数据缺口"。
  • 外推是雷区。稳定岛在所有已知数据的外面，任何模型出了已知区都不可靠。所以负责任的工作都给误差条（LANL 的 MDN、贝叶斯网络）或者用 Garvey-Kelson 这类独立关系当裁判。
  • 黑箱问题。物理学家要的是"为什么"，不是"是多少"。PySR 符号回归、SHAP 解释这些工具的出现，说明社区已经意识到了。
  • AI 不造原子。所有预言最后都要靠加速器验证。AI 眼下最大的价值是帮实验排优先级：哪种弹打哪种靶、什么能量、值不值得花一年机时。这种决策以前靠拍脑袋，现在有了数据支撑。

八、总结

AI 找稳定岛，目前的成绩单是：

  1. 画地图：质量精度推进到 84 keV [2]，不确定性量化成为标配 [3][6][7]；
  2. 算寿命：衰变方式预测准确率 96.9% [1]，衰变能精度提高约 7 倍 [8]，还发现了 298Fl 西南的"裂变地狱" [1]；
  3. 修路：合成截面和裂变位垒的计算精度全面改进 [12][13][14]；
  4. 开机器：离子源自控 [18]、注入损失减半以上 [19]、钛束流路线打通 [17]。

稳定岛到底在 Z=114 还是 120，N=184 到底稳不稳，可能还要等 119、120 号真正造出来才有分晓。但可以确定的是：那一天的实验方案里，会有 AI 算出来的每一行数据。找到岛的那一刻，是人类实验的胜利，也是十年间这些神经网络一格格把地图画出来的胜利。

---

参考文献

[1] B. S. Cai（蔡博帅，中山大学中法核工程与技术学院，第一作者）, C. X. Yuan（袁岑溪，同院，通讯作者）. Random forest-based prediction of decay modes and half-lives of superheavy nuclei. Nuclear Science and Techniques 34, 204 (2023). DOI: 10.1007/s41365-023-01354-5

[2] Z. M. Niu（牛中明，安徽大学物理与光电工程学院）, H. Z. Liang（梁豪兆，东京大学大学院理学系研究科物理学专业；RIKEN Nishina 中心）. Nuclear mass predictions with machine learning reaching the accuracy required by r-process studies. Physical Review C 106, L021303 (2022). DOI: 10.1103/PhysRevC.106.L021303

[3] A. E. Lovell, A. T. Mohan, T. M. Sprouse, M. R. Mumpower（均属洛斯阿拉莫斯国家实验室 LANL，Lovell/Mohan/Sprouse/Mumpower 属理论部）. Nuclear masses learned from a probabilistic neural network. Physical Review C 106, 014305 (2022). DOI: 10.1103/PhysRevC.106.014305

[4] M. R. Mumpower, T. M. Sprouse, A. E. Lovell, A. T. Mohan（LANL）. Physically interpretable machine learning for nuclear masses. Physical Review C 106, L021301 (2022). DOI: 10.1103/PhysRevC.106.L021301

[5] M. Mumpower, M. Li, T. M. Sprouse, B. S. Meyer, A. E. Lovell, A. T. Mohan. Bayesian averaging for ground state masses of atomic nuclei in a machine learning approach. Frontiers in Physics 11, 1198572 (2023). DOI: 10.3389/fphy.2023.1198572

[6] Léo Neufcourt, Yuchen Cao, Witold Nazarewicz, Erik Olsen, Frederi Viens（密歇根州立大学 FRIB 及统计与概率系）. Neutron drip line in the Ca region from Bayesian model averaging. Physical Review Letters 122, 062502 (2019). DOI: 10.1103/PhysRevLett.122.062502

[7] Babette Dellen, Uwe Jaekel（德国科布伦茨应用技术大学数学与技术系）, Paulo S. A. Freitas（葡萄牙马德拉大学数学系）, John W. Clark（马德拉大学数学系；美国圣路易斯华盛顿大学物理系）. Predicting nuclear masses with product-unit networks. Physics Letters B 852, 138608 (2024). DOI: 10.1016/j.physletb.2024.138608

[8] 陈海军、盛浩文、黄文豪、吴彬琪（湖南工商大学数字媒体工程与人文学院；陈海军为通讯作者），赵天亮、包小军（湖南师范大学物理与电子科学学院，通讯作者）. 基于神经网络方法研究超重核的稳定性和衰变性质. 物理学报 74(19), 192301 (2025). DOI: 10.7498/aps.74.20250720

[9] Amir Jalili（浙江理工大学物理系；南开大学物理学院）, Feng Pan（潘峰，辽宁师范大学物理系；美国路易斯安那州立大学）, Jerry P. Draayer（路易斯安那州立大学）, Ai-Xi Chen（陈爱喜，浙江理工大学）, Zhongzhou Ren（任中洲，同济大学物理科学与工程学院）. α-decay half-life predictions with support vector machine. Scientific Reports 14, 30776 (2024). DOI: 10.1038/s41598-024-80820-5

[10] S. Madhumitha Shree, M. Balasubramaniam（印度哥印拜陀巴拉蒂亚尔大学物理系）. α-decay half-life predictions for superheavy elements through machine learning techniques. European Physical Journal A 61, 32 (2025). DOI: 10.1140/epja/s10050-025-01494-9

[11] S. Madhumitha Shree, M. Balasubramaniam（巴拉蒂亚尔大学物理系）. Machine learning and symbolic regression-based modeling of α-decay half-lives for superheavy nuclei. Nuclear Physics A 1068, 123327 (2026). DOI: 10.1016/j.nuclphysa.2026.123327

[12] Tian Liang Zhao（赵天亮）, Xiao Jun Bao（包小军，湖南师范大学物理系）, Hong Fei Zhang（张鸿飞）. Improvement of evaporation residual cross sections for superheavy nuclei using a neural network method. Nuclear Physics A 1027, 122510 (2022). DOI: 10.1016/j.nuclphysa.2022.122510（注：赵天亮与张鸿飞该文署名单位为西安交通大学物理学院与兰州大学核科学与技术学院）

[13] Jia-Xing Li（李佳星，西安交通大学物理学院）, Hong-Fei Zhang（张鸿飞，兰州大学核科学与技术学院，通讯作者）. Evaporation residue cross sections of superheavy nuclei based on optimized nuclear data. Chinese Physics C 47(12), 124105 (2023). DOI: 10.1088/1674-1137/ad021f

[14] 张旭喆、李佳星、陈婉羚、张鸿飞（西安交通大学物理学院；张鸿飞为通讯作者）. 机器学习在裂变势垒高度和基态结合能中的应用. 物理学报 75(2), 020105 (2026). DOI: 10.7498/aps.75.20251278

[15] A. E. Lovell, A. T. Mohan, P. Talou（LANL 理论部）. Quantifying uncertainties on fission fragment mass yields with mixture density networks. Journal of Physics G 47, 114001 (2020). DOI: 10.1088/1361-6471/ab9f58

[16] Z. M. Niu（安徽大学物理与材料科学学院）, H. Z. Liang（东京大学；RIKEN）. Nuclear mass predictions based on Bayesian neural network approach with pairing and shell effects. Physics Letters B 778, 48–53 (2018). DOI: 10.1016/j.physletb.2018.01.002

[17] Berkeley Lab News Center. A New Way to Make Element 116 Opens the Door to Heavier Atoms（Jacklyn Gates 领导的 LBNL 重元素组，2024 年 7 月 29 日发布；含 Jennifer Pore、Damon Todd、Reiner Kruecken 访谈）. https://newscenter.lbl.gov（2024-07-29）

[18] LBNL Nuclear Science Division. Offline Reinforcement Learning for VENUS Control（Yue Shi Lai, Heather Crawford, Marco Salathe, Damon Todd，2025 年发布）；另见 D. S. Todd 等. Applying machine learning techniques to the operation of the superconducting ECR ion source VENUS. JACoW ECRIS2024, 152 (2025). DOI: 10.18429/JACoW-ECRIS2024-WEB2

[19] Sabrina Appel 等（GSI 亥姆霍兹重离子研究中心；达姆施塔特工业大学；萨尔茨堡大学）. Automating accelerator tuning at GSI/FAIR. EPJ Research Infrastructures 10, 23 (2026). DOI: 10.1007/s41781-026-00175-6

[20] H. Sakai, H. Haba, K. Morimoto, N. Sakamoto（均属 RIKEN 仁科加速器科学研究基地）. Facility upgrade for superheavy-element research at RIKEN. European Physical Journal A 58, 238 (2022). DOI: 10.1140/epja/s10050-022-00888-3

[21] 何万兵（复旦大学现代物理研究所；上海核物理理论研究中心）、李庆峰（湖州师范学院；中科院近代物理研究所）、马玉刚（复旦大学）、牛中明（安徽大学）、裴俊琛（北京大学物理学院；中科院近代物理研究所华南理论中心）、张英逊（中国原子能科学研究院；广西师范大学）. Machine learning in nuclear physics at low and intermediate energies. Science China Physics, Mechanics & Astronomy 66, 282001 (2023). DOI: 10.1007/s11433-023-2116-0

---

*核实说明：本文所有文献的作者、单位、期刊卷页、DOI 均于 2026 年 9 月 2-3 日通过 INSPIRE-HEP、期刊官网（APS/Springer/IOP/Elsevier/物理学报官网）及 LBNL/中山大学官方页面逐条核实。两处常见的误传已按原始论文修正：①Niu & Liang 2022 (PRC 106, L021303) 预言的是未知区壳结构演化，并未直接断言"稳定岛在 Z=120"；②《物理学报》迁移学习论文（75, 020105）作者为张旭喆、李佳星、陈婉羚、张鸿飞（西安交通大学），而非湖南团队。*