AI径迹重建与核性质预言

2025年11月，一桩等了七十年的发现落地了，抓它的手是人工智能。

日本J-PARC的E07实验把核乳胶片泡在K⁻束里，让K⁻打中乳胶里的原子核，产生双奇异超子。乳胶是探测器家族里的老古董——胶片厚得像玻璃片，粒子穿过后留下肉眼几乎看不见的径迹。它的好处是精度极高，能分辨微米级的衰变顶点；坏处是数据量吓人：一片乳胶有大约14亿张显微图像，人工全扫要五百多年。所以七十多年里，全球只找到47个双Λ超核候选，唯一被确认的Nagara事件还是2001年在KEK的E373实验里找到的。

E07的团队做了件激进的事：用生成式AI造训练数据。他们没有几十万张真实的双Λ超核图像——因为根本不存在。他们用GEANT4蒙特卡洛程序画出粒子径迹的"卡通图"，再用pix2pix这种图像风格迁移网络，把卡通图变成逼真的显微照片。然后用Mask R-CNN目标检测网络在这些合成图上训练，去真实乳胶里找双Λ超核的衰变特征。

结果就是那篇Nature Communications[1]。AI找到了一个事件，被唯一鉴定为Ξ⁻被¹⁴N俘获后产生¹³ΛΛB——硼的一个双Λ超核。测出ΛΛ结合能BΛΛ = 25.57 ± 1.18(stat) ± 0.07(syst) MeV，ΛΛ相互作用能ΔBΛΛ = 2.83 ± 1.18(stat) ± 0.14(syst) MeV。这是第一次在氦以外的核里测到ΛΛ相互作用。方法学报告给出了更细的数字：这个Mask R-CNN对模拟的⁶ΛΛHe事件检测效率93.8%，对⁵ΛΛH也有82.0%[2]。而且AI只扫了全部乳胶数据的0.2%，就发现了6个新候选事件；照这个比例推算，整个数据集里可能埋着超过2000个双奇异事件，远超此前预期的约100个。人工目检工作量降低了500倍[2]。

论文第一作者何彦是兰州大学和RIKEN联合培养的博士，作者名单里有兰州大学、西安交通大学、中科院近代物理研究所等多家中国单位。这是AI在核物理里做出的一次真正的发现，不是一次拟合。同类方法正在加速铺开：LHCb的GNN径迹流水线把假径迹率从2%压到1%以下[23]；PANDA为超子径迹做的几何深度学习，在Λ子代上的重建效率达到97.1%[24]。

但同一时期，另一批研究者给出了一盆冷水。

韩国成均馆大学的Kim、Chae和美国橡树岭国家实验室的Smith做了一个实验：把滴线附近的核从训练集里剔除，然后用标准深度神经网络去预测质量，看它能不能自己"画"出正确的质子滴线和中子滴线。结果是不能。换激活函数、换网络结构、换正则化，都没有本质改善[3]。网络学到的似乎是核素图上的统计花纹，不是背后的壳结构物理。

更刺眼的是东北师范大学Jiang等人的工作。他们系统审计了四种主流的不确定性量化方法——高斯过程、核岭回归重采样、梯度提升分位数回归、多层感知机bootstrap——发现它们在训练区外全部失效。标称80%的置信区间，在重核外推时实际覆盖率只有48%到68%，在同位素链外推时只有51%到59%[4]。模型在"自信地犯错"，而且它不知道自己在犯错。

这两件事放在一起，就是当前AI核物理的核心张力。一方面是"发现时刻"：AI从14亿张图像里揪出了人类七十年没找到的双Λ超核。另一方面是"可靠性焦虑"：标准神经网络画不出滴线，不确定性标定在外推区崩溃。

理解这个矛盾的关键在于分清两种任务。检测式AI，比如E07的Mask R-CNN，验证的是已知物理——它能认出Nagara事件，因为它训练时就见过这类事件的合成版本。预测式AI，比如质量模型，赌的是未知物理——它要在没有数据的区域给出预言，只能等未来实验来裁决。检测有金标准，预测没有。这就是为什么E07的AI那么成功，而质量外推那么脆弱。

质量预测这条线本身跑得很快。标志性成果是牛中明和梁豪兆2022年的BML模型：把机器学习做到已知核区精度84 keV，跨过了r过程核合成要求的100 keV门槛[5]。牛中明在安徽大学，梁豪兆在东京大学/RIKEN。这个精度不是装饰品——r过程的路径经过大约5000个几乎没有任何实验数据的富中子核，质量不确定度直接决定元素丰度预言。理论计算显示，单个核的质量偏差0.5 MeV就能让局部的r过程丰度变化一个数量级。

衰变预测是另一条线。β衰变半衰期方面，Niu、Liang等人2019年就把费米理论的已知物理嵌入贝叶斯神经网络的输入，让网络只学未知部分，精度已经可以和传统的FRDM-QRPA方法（一种微观质量模型加准粒子无规相近似）相比[6]。2025年Jalili等人用支持向量机做β衰变半衰期，覆盖约3052个核[7]。Peng Li、牛中明、牛一斐2025年发表了第一个系统用神经网络挑出β衰变"异常趋势"核的工作[8]。2026年Berbache等人的工作更系统：用1047个核比较CNN、树模型、KNN、CatBoost、XGBoost等一整套方法，发现最好的XGSV能抓住N=50、N=82壳效应，而传统FRDM-QRPA在这些区域有系统性偏差[9]。

α衰变预测是中国团队最密集的战场。兰州大学团队2026年在PRC发表的工作用物理驱动的机器学习预测超重核α衰变，在Z≥104的41个核上做到RMS（均方根偏差）0.26 MeV，误差约为传统统一衰变定律UDL的三分之一；他们预言Z=119和120元素链的α半衰期存在"反转"现象——因为母核和子核的形状继承关系，扁长核衰变到扁球核会被促进，反过来被抑制[10]。这是直接服务于新元素合成实验设计的预言。类似的还有BNN-Auto工作，用贝叶斯神经网络加自编码器预测α粒子预形成因子，在535个核上把验证集误差改进54.49%，预言Z=120在N=184附近半衰期显著增大[11]——多条独立ML路线都指向N=184壳效应，但全都处于无数据区的远外推。

β缓发中子发射几率Pxn（一个核β衰变后会不会再吐出一个中子、几率多大）是r过程的另一个关键输入，也是ML最缺数据的角落。香港大学的Yiu、Lee和梁豪兆2025年做了一个"一致性"框架：第一个网络学核质量并输出Q值和中子分离能，喂给第二个网络同时训练β衰变率和Pxn，让质量和衰变共享同一套物理[12]。这个思路的动机很实际——α衰变能1 MeV的不确定度，会让半衰期预言差10³到10⁵倍。质量和衰变必须整体一致，否则各自再准也白搭。

天体物理那边，AI已经开始真正驱动r过程计算。LANL主导的Li等人2024年用物理信息机器学习建立覆盖全核素图的质量模型，把它喂进r过程网络，得到的丰度模式与太阳系r残留定性吻合，三个特征峰位置正确[13]。郑州大学和近物所的团队2025年做了一件更精细的事：用5种树模型去"修复"6个理论质量模型的残差，把RMS从约2.46 MeV压到约0.16 MeV[14]。Grichener等人2025年用神经网络模拟核塌缩超新星前身星的晚期燃烧阶段，把电子分数的精度提升了280%到660%[15]。还有NuGNN，用图神经网络保持反应网络的结构，在I型X射线暴的690同位素网络上嵌入演化代码后能复现最终丰度模式——而普通全连接网络失败[16]。

但天体物理的观测约束也提醒我们别太乐观。Li等人的r过程计算给出约一个数量级的丰度不确定度带——即使单个质量点到了84 keV精度，整体预言仍然模糊[13][25]。这和覆盖率崩溃同属外推失败的两种表现：插值精度再高，外推的承诺仍然不可靠。

争议的另一面是"学到了物理还是学到了统计"。MIT的Richardson等人2025年的"DNA"工作[17]和Nolte等人的NuCLR工作[18]报告，纯数据驱动的网络在潜空间里出现了类似双螺旋的结构，能把预测分解成液滴模型那样的符号项——这两项内容来自研究者对网络内部表征的分析，被视为"网络重新发现物理"的证据。支持"学到物理"的证据在积累：有文献报道图神经网络能从数据中自动识别出若干中子幻数[26]，SHAP分析也复现了α衰变系统学[27]。但批评者指出，这可能是事后合理化（post-hoc rationalization），而不是真正的外推能力。Pastore和Carnini早就警告过：神经网络的三种误差估计——epoch averaging、bootstrap、dropout——都只是外推误差的下界[19]。Ye、Qian和Ren在2022年就用一个标题点破了问题："Accuracy versus predictive power"[20]。准确和可预测是两回事。

中国团队站在这两条线索的交汇处。安徽大学的牛中明和东京大学/RIKEN的梁豪兆贡献了84 keV的BML——被四个维度共同确认为达到r过程精度门槛的锚点。兰州大学联合西安交大和近物所做α衰变形状继承预言。BESIII合作组用图神经网络做中子重建，2025年在Nature Communications上发表观测到Λc⁺→n e⁺νe，测出分支比(0.357±0.034±0.014)%，并定出|Vcd|=0.208±0.011±0.007±0.001[21]。而东北师大的Jiang[4]、广西师大的李涛和王宁[22]则在给可靠性泼冷水。中国既有追高精度的一面，也有做批判验证的一面。

有意思的空白有三个。第一，"衰变模式分类器"——直接用ML预测一个核走α衰变还是自发裂变、分支比多少——在本次对2024到2026年核结构文献的多维度检索里，几乎没有发现专门的论文。现有的做法是靠"ML预测α半衰期"和"理论自发裂变半衰期"对比间接推断。这是检索后仍未填补的空白，也是机会。第二，核乳胶AI径迹重建没有"中国独立实验"——虽然兰州大学在J-PARC国际合作里占了第一作者位置，但依附于国际合作。第三，中国团队主导发表的顶刊成果仍然偏少，BESIII的Nature Communications[21]是其中一例；E07虽是同级别，但那是多国合作、中国单位位列其中。整体看，中国成果的国际能见度与84 keV这类工作的分量并不匹配。

如果要用一句话概括2025-2026年的AI核物理，那就是：AI同时给出了这个领域最漂亮的发现和最刺耳的失败。检测式AI在双Λ超核上大获全胜，预测式AI在外推区集体露怯。出路正在收敛为"物理嵌入"——GAN保留径迹拓扑，物理引导的XGBoost加SHAP，Garvey-Kelson关系作为物理损失，图神经网络保持反应网络结构。中国已经站在这个交汇处，而且有一个别人没有的组合：既有人在做84 keV的精度突破，也有人在认真地指出覆盖率崩溃。

剩下的问题不是"AI准不准"，而是"AI什么时候可以信"。答案不在更高的精度数字里，而在可验证的、被物理约束的、敢自报校准的模型协议里。什么时候出现一个像E07那样用已知物理验证过、又在外推区证明过自己的AI模型，什么时候这个问题才算真正被回答。

*参考文献*

[1] He Y., Saito T.R., Ekawa H., et al., "Artificial intelligence pioneers the double-strangeness factory," *Nature Communications* 16, 11084 (2025); arXiv:2505.05802; DOI 10.1038/s41467-025-66517-x. (RIKEN, GSI, Lanzhou University, IMP CAS, Xi'an Jiaotong Univ. 等十余家机构)

[2] He Y., Drozd V., Ekawa H., et al., "A novel machine learning method to detect double-Λ hypernuclear events in nuclear emulsions," *Nucl. Instrum. Meth. A* 1073, 170196 (2025); arXiv:2409.01657; DOI 10.1016/j.nima.2024.170196.

[3] Kim C.H., Chae K.Y., Smith M.S., "Robust extrapolation using physics-related activation functions in neural networks for nuclear masses," arXiv:2505.15363 (2025), Phys. Rev. C (accepted). (Sungkyunkwan Univ. / ORNL)

[4] Jiang Z. (Northeast Normal University), "Nuclide-Layered Conformal Calibration," ISPML 2026; github.com/Alexphy-sics/nuclear-mass-conformal-calibration.

[5] Niu Z.M. (安徽大学), Liang H.Z. (东京大学/RIKEN), "Nuclear mass predictions with machine learning reaching the accuracy required by r-process studies," *Phys. Rev. C* 106, L021303 (2022); arXiv:2208.04783.

[6] Niu Z.M., Liang H.Z., Sun B.H., Long W.H., Niu Y.F., "Predictions of nuclear β-decay half-lives with machine learning and their impact on r-process nucleosynthesis," *Phys. Rev. C* 99, 064307 (2019); arXiv:1810.03156.

[7] Jalili A., Pan F., Luo Y.A., Draayer J.P., "Nuclear β-decay half-life predictions and r-process nucleosynthesis using machine learning models," *Phys. Rev. C* 111, 034321 (2025). (LSU)

[8] Li P., Niu Z.M., Niu Y.F., "Selection of abnormal trends in nuclear β-decay half-lives by neural network," *Nucl. Sci. Tech.* 36, 50 (2025). (Lanzhou Univ. / Anhui Univ.)

[9] Berbache T., Boubir B., Akkoyun S., Houhou M., Kabir A., "Examination of β⁻ decay half-lives by modern machine learning models," *Nucl. Phys. A* 1073, 123438 (2026).

[10] Li X. et al. (Lanzhou Univ. / Xi'an Jiaotong Univ. / IMP CAS), "Shape inheritance and staggering in α decay: A machine learning approach," *Phys. Rev. C* 113, L021301 (2026); arXiv:2504.04449.

[11] Zhu X.Y., Si-Tu H.J., Zhang H., Gao W., Lin W.B., Li X.H., "Bayesian neural network with autoencoder for α-particle preformation factor," arXiv:2603.07976 (2026).

[12] Yiu T.C.M., Lee H.C.J., Liang H.Z. (University of Hong Kong), "Consistent machine learning for nuclear mass, β-decay rate, and β-delayed neutron emission probability" (2025).

[13] Li M., Sprouse T.M., Meyer B.S., Mumpower M.R., "Atomic masses with machine learning for the astrophysical r process," *Phys. Lett. B* 848, 138385 (2024); DOI 10.1016/j.physletb.2023.138385. (LANL)

[14] Liu G.P., Wang H.L., Zhang Z.Z., Liu M.L., "Model-repair capabilities of tree-based machine-learning algorithms applied to theoretical nuclear mass models," *Phys. Rev. C* 111, 024306 (2025). (Zhengzhou Univ. / IMP CAS)

[15] Grichener A., Renzo M., Kerzendorf W.E., et al., "Nuclear Neural Networks: Emulating Late Burning Stages in Core-collapse Supernova Progenitors," *ApJS* 279, 49 (2025); arXiv:2503.00115.

[16] Kim C.H., Chae K.Y., Ko S.J., Mumpower M.R., Smith M.S., "NuGNN: a Graph Neural Network for Nuclear Reaction Network Equations," arXiv:2606.04491 (2026).

[17] Richardson K.A., Trifinopoulos S., Williams M. (MIT/CERN), "The DNA of nuclear models: How AI predicts nuclear masses," arXiv:2508.08370; CERN-TH-2025-153.

[18] Nolte N., Kitouni O., Williams M., Trifinopoulos S., Kantamneni S., "NuCLR: Nuclear Co-Learned Representations," arXiv:2306.06099; ICML 2023.

[19] Pastore A., Carnini M. (University of York), "Extrapolating from neural network models: a cautionary tale," *J. Phys. G* 48, 084001 (2021); arXiv:2012.06605.

[20] Ye W., Qian Y., Ren Z., "Accuracy versus predictive power in nuclear mass tabulations," *Phys. Rev. C* 106, 024318 (2022).

[21] BESIII Collaboration, "Observation of a rare beta decay of the charmed baryon with a Graph Neural Network," *Nature Communications* 16, 681 (2025); DOI 10.1038/s41467-024-55042-y. [Λc⁺→n e⁺νₑ，分支比(0.357±0.034±0.014)%，|Vcd|=0.208±0.011±0.007±0.001]

[22] Li T., Wang N. (广西师大), Li C., Liu M., "Investigation of extrapolation for nuclear mass and α-decay energy based on the radial basis function approach," *Phys. Rev. C* 112, 024306 (2025). [外推退化随距离线性恶化，Pearson系数P=0.98]

[23] Correia A., Giasemis F., Garroum N., Gligorov V.V., Granado B., "Graph Neural Network-Based Pipeline for Track Finding in the Velo at LHCb (ETX4VELO)," *JINST* 19, P12022 (2024); arXiv:2406.12869.

[24] Akram A., Ju X., Papenbrock M., Taylor J., Stockmanns T., Schönning K. (PANDA), "Application of Geometric Deep Learning for Tracking of Hyperons in a Straw Tube Detector," *Comput. Softw. Big Sci.* 9(1), 17 (2025); arXiv:2503.14305.

[25] Li M., Mumpower M.R., Vassh N., Porter W.S., Surman R., "Constraining nuclear mass models using r-process observables with multiobjective optimization," *Phys. Rev. Research* 7, L032057 (2025); arXiv:2506.06464.

[26] Choi H., Mitra S., Brodsky J., Glatt R., Holmbeck E., Liu S., Schunck N., Sieverding A., Wendt K. (LLNL), "Learning nuclear cross sections across the chart of nuclides with graph neural networks," *Phys. Rev. C* 112, 044601 (2025); arXiv:2404.02332. [GNN从数据中识别出若干中子幻数]

[27] Yuan Q., Qi P., Xiao X., et al., "Machine learning-driven high-precision model for α-decay energy and half-life prediction of superheavy nuclei," *Phys. Scr.* 101, 176004 (2026); arXiv:2508.03155. [SHAP证实衰变能/离心位垒/壳效应主导]