AI核结构预言

原子核是自然界最拧巴的系统之一。

它由几十个质子和中子组成，大小不过几个飞米——10⁻¹⁵米。但这些核子之间的相互作用极强，而且不是两体相互作用：第三个核子一加入，相互作用就变了。这叫多体关联，是核物理的命门。

解量子力学方程要解 3A 维的薛定谔方程，A 是核子数。几十年来，物理学家试了三条路：壳模型靠近似，精度高但只能算几百个核；密度泛函理论（DFT）靠经验，适用范围广但精度卡在 0.5-1 MeV；格点 QCD 从夸克出发，只能算最轻的两个核。每条路都有自己的边界。边界之外，全是盲区。

AI 是来填盲区的。但它不是上来就替代谁——它先学会了在一个个具体问题上超过人，然后再慢慢长成更通用的工具。

这个故事从预言一个数字开始。

核质量预言是核结构里被研究得最久的问题。原子核有多重，决定了它有多稳定、能参与什么反应。天体物理里的核合成、核电站的燃料选择、实验室里的放射性束物理，都靠质量表。2003 年，AME2003 收录了约 2000 个核的质量。二十年后，AME2020 扩展到了 2500 多个。但自然界可能有三四千种核。剩下的怎么填？

传统方法靠理论模型。液滴模型加壳修正，WS3、WS4、Dewamest 系列，把参数在已知核上拟合，然后往外推。WS4 是目前最好的，RMS 误差 0.28 MeV。贝叶斯方法从 2020 年开始把误差往下砍，Niu & Liang 在 2022 年做到了 84 keV——第一次跨过 r 过程天体物理要求的 100 keV 门槛。

但 2025 年出现了一个更让人意外的结果。

MIT 和 CERN 的 Richardson、Trifinopoulos、Williams 训练了一个神经网络来预言核质量，全程没有塞任何物理知识——没有液滴模型，没有壳修正，零。训练集是已知的核质量数据，标签就是质量值本身。神经网络从数据里自己学。

结果：RMS 误差 0.13 MeV。比 WS4 砍了一半。而且这个网络不是黑箱。它的中间层表征拆开来看，形成了一个双螺旋结构——像 DNA。这个双螺旋不是人为设计的，是网络自己长出来的。每个螺旋对应一条同位素链上最稳定的那个核。网络在训练过程中自动学到了"要找哪条链、哪个参照核"这件事。主成分分析进一步显示，网络学到的最重要项精确对应液滴模型的质量项，还对应了 Jaffe 在 1969 年基于 Garvey-Kelson 关系提出的一条公式。网络没有学过这些，但它在数据里重新发现了人类花了五十年才总结出来的物理。

这组人把他们的方法叫做「核模型的 DNA」。

树模型那边在同期也有进展。王等人把 6 个理论质量模型和 5 种机器学习算法排列组合，挑最优搭配。RMS 降到了 0.16 MeV，跨过了 0.2 MeV 这个心理关口。树模型的好处是天然可解释：你一眼就能看到哪些输入特征对质量预言影响最大。排名靠前的是质子数和中子数的奇偶性，然后是形变参数。这和核物理学家几十年的经验完全吻合——奇偶性能给出约 1 MeV 的配对能，形变参数决定壳修正的大小。但 ML 给出了精确的量化权重，而不是「大约多少」。

CNN 和 WS4 的杂交是另一条路。吉林大学团队没有用纯数据驱动，而是让 CNN 从核素图的局部结构里提取特征——某个核的质量跟周围核的质量怎么变、配对能有多大——然后用这些局部特征修正 WS4 的残差。已知核上准，外推也稳定。

质量预言走到了这一步，下一个问题就浮现了：它学到的规律是真实的物理，还是数据集里的统计巧合？

这个质疑推动了可解释性研究在核物理 AI 里的爆发。DNA 双螺旋是一个漂亮的答案，但它不够完整。核素图本身就有周期性——同位素链、同中子素依次排开，幻数在图上留下了印记。网络可能捕捉到的是这种图案，而不是真正的量子壳结构。怎么区分？一种办法是看网络能不能预言全新的现象——比如一个还没被发现的核的质量，而不是已知核的内插。另一个办法是把网络拆开，看每一层的激活和已知的物理量有没有对应。第一条路还在走。第二条路，DNA 模型给了一个很有力的初步答案。

质量之外，形状是核结构里第二重要的事。

原子核的形状——电荷密度分布在空间里的样子——决定了核半径、核表面厚度、核形变的类型。圆形、椭圆形、梨形、八极形变，每种形状对应不同的量子能级结构。

传统测电荷密度靠电子散射和 μ 子原子谱。电子打进去，看它弹出来什么角度，反推核里的电荷怎么分布。这套方法精度高，但只能测几百个稳定核。放射性束一打出来就衰变，测不了。

2024 年，吉林大学李剑团队和东京大学梁豪兆合作，用深度神经网络预言了核电荷密度分布。他们用相对论 DFT 的数据训练，把 1014 个核的实验电荷半径作为约束条件塞进损失函数——相当于让网络在学习过程中不断被实验数据校准。结果电荷半径 RMS 偏差 0.0193 fm。fm 是飞米，10⁻¹⁵ 米。这个精度超过了纯 DFT。

2025 年他们又出了一版。这次在输入端引入了傅里叶-贝塞尔级数展开——这正是电子散射实验里用来分析电荷密度的数学工具，网络学会了用它来处理密度函数。结果 RMS 降到 0.0123 fm，比原始 RCHB 计算还精确。现在你可以用这个网络在几秒内生成核素图上任意核——包括尚未被合成的核——的电荷密度分布。

同期，杨、范、李、梁用多任务学习同时预言基态密度分布、电荷半径和结合能。一个网络三个输出，共享底层物理表示，互相约束而不是各算各的。电荷半径做到 0.017 fm，结合能约 500 keV。他们还预言了 ²⁰⁸Pb 的中子皮厚度——约 0.220 fm。中子皮是原子核表面中子比质子多出来的那一层，厚度跟中子星的性质直接挂钩，因为中子星本身就是整颗由中子组成的巨大原子核。这个预言等着实验去验证。

电荷半径方面还有一个长期悬而未决的问题：钙-48 的电荷半径比钙-44 小，但按照常规核结构理论，随着中子数增加，半径应该单调增大。这个异常叫「钙半径异常」，十几年没有干净解释。2025 年，黎等人用相对论密度泛函理论把它解开了——引入了核子固有电磁结构和量子涨落，没有引入任何可调参数。是 QCD 真空结构的自然结果，不需要新物理。

DFT 本身也在被 AI 重构。

DFT 的核心困难之一是算动能密度。传统方法很贵。所谓「无轨道 DFT」想把这一步绕掉——直接用密度本身写动能泛函，不经过波函数。但长期以来的共识是：无轨道方法捕捉不到量子壳效应，因为壳结构来自波函数的节点，密度把这些节点抹平了。

2026 年 3 月，北京大学赵鹏巍团队在 PRL 上推翻了这个共识。他们 2022 年就用机器学习构建了无轨道密度泛涵，这次更进一步，引入了非局域性——不是只看某一点的密度值，而是看密度在空间中的变化梯度。结果成功刻画了壳效应，计算复杂度比传统 DFT 低了一个量级以上。这不只是一个数值加速。它意味着「不需要波函数也能看到核的量子结构」——一扇关了几十年的门被踢开了。

赵鹏巍团队 2025 年还有另一篇 PRL。他们用神经网络量子蒙特卡洛方法（NNQMC）算了中子-α 粒子的 D 波散射相移。NNQMC 把波函数参数化成神经网络，采样效率比传统 QMC 高很多。计算精度足够区分不同的手征有效场论截断方案——这意味着未来擦边散射实验可以作为检验长程三体核力的灵敏探针。

MALA 项目（Materials Learning Algorithms，材料学习算法）2025 年发了完整框架，用局域原子环境描述符预言局域电子态密度，再从态密度反推电子密度和总能量。演示系统包括硼团簇、铝的固液相变、铍层错。技术可以直接迁移到核物质状态方程的计算上。

壳模型是核结构里最精确的方法，但也是最难加速的方法。

无核芯壳模型（NCSM）从核子-核子相互作用出发，不做任何壳芯近似，是当前最可靠的第一性原理方法。但它只能在有限维数的模型空间里算，外推到无限空间是必须过的关。传统做法靠猜函数形式——指数衰减、幂律——截断参数一变，结果就飘。

2024 年，德国达姆施塔特工业大学的 Wolfgruber、Knöll、Roth 用神经网络外推 NCSM 结果。他们证明，ANN 可以精确地从有限模型空间的数据推断无限空间里的收敛值——不仅能量，还有 RMS 半径。2025 年他们把方法扩展到了电磁多极矩。网络同时学习能量、半径和电磁性质之间的关联，从可算的小空间出发，一次推理给出收敛结果。不确定性也被量化了：模型空间截断误差和手征有效场论的相互作用误差被分开统计。

同期，Sharypov、Mazur、Shirokov 用 ANN 集成方法做了类似的工作，训练集扩大后精度进一步提高。加拿大和美国的联合团队也在用 ANN 增强的 NCSM 研究硼同位素的精密半径计算。

LightGBM 在另一个方向上发力。刘辉、徐毅、罗文在 642 个核上训练，用 LightGBM 预言第一 2⁺ 激发态能量——这是核结构里最重要的集体激发态之一，反映核的形变和壳结构。平均误差比壳模型小 18 倍，比贝叶斯神经网络低 30%。算一次只要几毫秒，比 NCSM 快了几十个量级。网络成功再现了幻数随中子数变化的细节：氧-28 中传统幻数 20 消失，锡-100 中幻数 50 保持。这些预言对 FRIB 和 HIAF 两个装置的实验设计有直接指导意义——这两个装置正在竞相合成和研究这些奇异核。

中国科学院近代物理研究所的吕冰锋团队在 2024 年Physics Letters B 上发表的工作与此相关但角度不同：他们用机器学习解码原子核壳演化本身。模型不仅预言单个核的性质，还学会了壳结构随中子数或质子数变化时的演化规律。在氧和锡同位素链上，准确率高于所有现有核结构模型。

不确定性是这些进展里最容易被忽略、但实际上最重要的一层。

核物理里「给一个数」不够。你还要知道这个数靠不靠谱。贝叶斯方法在 2024-2025 年成为主流框架。屈等人用贝叶斯神经网络优化质量模型，输出自带置信区间——预言重的核，区间就宽；预言稳定线上的核，区间就窄。这个信息本身就是物理：你从不确定度的大小，可以反推网络对这个区域的数据有多陌生。

Δ-UQ 方法提供了另一套工具。它对单模型做逐点不确定性量化，把预测误差分解为系统偏差和随机误差两部分。在核质量预测上，系统偏差通常出现在壳闭合区域——模型学会了壳效应，但没学会壳闭合时的那种突变。不确定度图谱画出来，和核素图上的「困难区域」高度吻合，这不是巧合。

树模型在不确定性上的优势是自带特征重要性排序。你不只知道预言值，还能看到哪些核的性质对预言影响最大。奇偶性第一，形变第二，然后是远离稳定线的程度。这套排序给实验物理学家提供了一个参考：下一个测哪个核，对整个模型的改进贡献最大。

从这些成果回头看，一个趋势越来越清楚：AI 在核结构领域不是在取代物理，而是在补物理的短。

物理模型擅长外推——给定一个理论框架，你可以预言从未被测过的核。但模型有结构假设，假设在外推区域可能失效。数据驱动擅长内插——已知核附近很准，但离稳定线一远就飘。ML 两者兼顾的方式是：用物理方程或物理约束来定义边界，用数据来填补内部。它不凭空造物理，它在物理的框架里学习更精确的参数。

DNA 模型是这条路线的极致：没有塞物理，但它在内部表征里自发重构了液滴模型——这说明数据里蕴含的物理足够强，足够清晰，神经网络有足够的表达能力把它提取出来。这和「物理引导的 PINN」是同一件事的两种面孔：一个是数据里长出物理，一个是物理约束注入数据。

剩下的问题也不是细节问题，而是方向问题。

极端丰中子区的外推是当前最大的坑。训练数据集中在稳定线和附近。到了滴线，训练数据急剧稀疏，ML 模型的误差急剧放大。迁移学习可能有帮助——把在稳定区学到的壳结构规律迁移到丰中子区——但壳结构在滴线附近可能根本不一样。更根本的问题是：神经网络学到的到底是普遍适用的量子规律，还是只适用于稳定区的那种特定数据分布。

第二，模型可验证性。你在一个核上测了质量，用 ML 预言了十个没测的核。但你只测其中一个，ML 预言剩下的九个性质都对了——这算是验证通过吗？还是说，只有预言十个核全部测过，验证才算数？ML 社区正在讨论这件事，但还没有标准答案。

第三，物理真实性。「网络自己发现了幻数」这句话到底意味着什么？核素图上有明显的周期性结构，幻数本身就是这种周期性的表现。网络可能学到的是「在这个位置附近，数值会跳变」，而不是「这里有一个量子壳闭合」。两种解释都能拟合数据，但它们的物理内涵完全不同。

不过换个角度，这些裂缝正是最让人兴奋的地方。物理的美妙之处从来不是答案本身，而是问题越来越清晰。

References

[1] Richardson, Trifinopoulos & Williams. "The DNA of nuclear models: How AI predicts nuclear masses." arXiv:2508.08370 (2025).

[2] Wang et al. "Model-repair capabilities of tree-based machine-learning algorithms applied to theoretical nuclear mass models." Phys. Rev. C 111, 024306 (2025).

[3] Qu, Zhang & Bao. "Nuclear mass predictions with a Bayesian neural network." Chinese Physics C (2025).

[4] Jilin University CNN-WS4 hybrid for nuclear mass predictions. Phys. Rev. C (2025).

[5] Niu & Liang. Bayesian machine learning for nuclear mass predictions (2022) — 84 keV RMS, first sub-100 keV.

[6] Shang, Xie, Li, Liang. "Global prediction of nuclear charge density distributions using a deep neural network." Phys. Rev. C 110, 014308 (2024).

[7] Wang, Shang, Xie, Du, Li, Liang. "Predictions of charge density distributions for nuclei with Z ≥ 8." Nuclear Science and Techniques (2025).

[8] Yang, Fan, Li, Liang. "Data-driven density functional model for atomic nuclei." Phys. Rev. C 109, 064312 (2024).

[9] Li et al. "Charge radius anomaly in Ca isotopes explained by relativistic density functional theory." Phys. Rev. C 112, L021303 (2025).

[10] Wu, Zhao et al. "Nonlocal Orbital-Free Density Functional Theory Incorporating Nuclear Shell Effects." Phys. Rev. Lett. (2026).

[11] Yang, Zhao, Meng et al. "Chiral Symmetry and Peripheral Neutron-α Scattering." Phys. Rev. Lett. (2025).

[12] Liu, Xu, Luo. "Prediction of the first 2+ states properties for atomic nuclei using LightGBM." ChinaXiv:202411.00206 (2024).

[13] Lv et al. "Machine learning decoding of nuclear shell evolution." Physics Letters B (2024).

[14] Wolfgruber, Knöll, Roth. "Precise Neural Network Predictions of Energies and Radii from the No-Core Shell Model." Phys. Rev. C 110, 014327 (2024).

[15] Knöll, Agel, Wolfgruber, Maris, Roth. "Machine Learning for Correlations of Electromagnetic Properties in Ab Initio Calculations." Phys. Rev. C 112, 034306 (2025).

[16] Sharypov, Mazur, Shirokov. "Machine Learning for Extrapolating No-Core Shell Model Results to Infinite Basis." arXiv:2504.06594 (2025).

[17] Cangi, Fiedler et al. "Materials Learning Algorithms (MALA): Scalable Machine Learning for Electronic Structure Calculations." Computer Physics Communications 314, 109654 (2025).

[18] Wu et al. "Message passing neural networks for nuclear mass predictions." Phys. Rev. C (2024-2025).

[19] Δ-UQ method for nuclear binding energy deep learning uncertainty quantification. Phys. Rev. C 112 (2025).