ML核结构预测

原子核有多难算？你大概想不到。一个由几十个质子和中子组成的小东西——比一杯水少了 10²² 倍——物理学家到现在也没能从第一性原理算明白它的大部分性质。

原因是三个。第一，核力不是简单的两体力。两个核子之间的相互作用，第三个核子一加入就会变——这叫人三体力。第二，量子力学要求你解一个 3A 维的薛定谔方程（A 是核子数）。第三，核力在短距离上极强，没法用微扰论。这三件事加在一起，让原子核成了一个「少体但算不动」的尴尬系统。

过去二十年，物理学家用超算硬扛。壳模型在价空间里对角化，但维数随核子数指数涨。密度泛函理论（DFT）靠近似走捷径，精度卡在 0.5-1 MeV。格点 QCD 从夸克开始算，但只能算最轻的几个核。每种方法都有自己的管辖范围，交界处全是盲区。

AI 就是从这些盲区里长出来的。

不是替代。是补丁、加速器、和外推引擎。下面这几件事，每件都在过去两年里真实发生了。

先说质量。

2025 年，MIT 和 CERN 的一组人做了一件很绝的事。他们训练了一个神经网络来预言核质量，没往里面塞任何物理知识——没有液滴模型，没有壳修正，什么都没有。纯数据驱动。

猜结果是多少？RMS 误差 0.13 MeV。

这是什么概念？最好的纯物理模型 WS4 的误差约 0.28 MeV。AI 把误差砍掉了一半多。而且这个网络是可解释的——它的中间层形成一个双螺旋结构，像 DNA。每个螺旋对应一条同位素链上最稳定的那个核。网络自己「发现」了液滴模型的关键项，还发现了一条 1969 年 Jaffe 基于 Garvey-Kelson 关系提出的公式。这组人管它叫「核模型的 DNA」。这不是黑箱算命。网络内部的表征用主成分分析拆开以后，每一项都能对应到物理量。

同年，王等人用树模型做了一件互补的事。他们把 6 个理论模型和 5 种 ML 算法排列组合，找出最优搭配——RMS 降到 0.16 MeV，跨过了 0.2 MeV 的门槛。树模型的好处是可解释性天然强：你能看到哪些特征对决定质量最重要。结果发现顶在前面的永远是质子数和中子数的奇偶性，然后是形变参数。这跟物理学家几十年的直觉一致，但 ML 给出了量化权重。

屈等人用贝叶斯神经网络优化了 7 个质量模型，把液滴模型的 RMS 从 2.543 砍到 0.304 MeV——降了 88%。贝叶斯方法的额外好处是每个预言自带一个置信区间，不是只给一个数。

吉林大学团队走的是另一条路：把 CNN 和 WS4 模型杂交。CNN 从核素图的局部结构里提取特征——某个核的质量跟周围的核怎么变、配对联能多大——再用这些特征修正 WS4 的残差。结果在已知核上准确，在外推区也稳定。

但这些还不是最好的。2022 年，牛一斐和梁豪兆用贝叶斯 ML 做到了 84 keV——第一次跨过 100 keV 这个槛。100 keV 是什么？是天体物理 r 过程核合成需要的精度。达不到这个数，你没法可靠地预言超新星或中子星并合产生了多少金、多少银。

质量只是入口。

原子核的形状——电荷密度分布——决定了原子核有多大、表面多厚。传统做法是用电子散射或 μ 子原子谱来测，但只能测到几百个稳定的核。不稳定的测不了，你没法把靶做成放射性束。

2024 年，吉林大学李剑团队和东京大学梁豪兆合作做了一个深度神经网络。他们用相对论 DFT 的数据训练网络，同时把 1014 个核的实验电荷半径塞进损失函数——让网络既学理论趋势，又被实验拽着走。结果：电荷半径的 RMS 偏差 0.0193 fm。这不仅超过了纯 DFT 的精度，还一致地改进了密度分布——不管是中心区还是尾部。

2025 年他们又发了一版。这次在输入上用了傅里叶-贝塞尔级数展开——就是电子散射实验分析电荷密度时用的那套数学工具。RMS 进一步降到 0.0123 fm，比原始 RCHB 计算还准。现在你可以用这个网络在几秒内生成核素图上任何一个核的电荷密度——包括那些还没有被造出来的。

同一时期，杨等人用多任务学习同时预言基态密度分布、电荷半径和结合能。三个任务共享一个网络表示，彼此约束。结果电荷半径做到 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，这是个跟中子星性质直接相关的量。

DFT 本身也在被 AI 改造。

传统 DFT 的核心步骤之一是算动能密度——这步计算很贵。所谓「无轨道 DFT」想直接绕开这一步，用电子（或核子）密度本身来写动能泛函。但学界长期认为无轨道方法不可能描述量子壳效应——因为壳结构来自波函数的节点，密度抹掉了这些信息。

2026 年 3 月，北京大学赵鹏巍团队在 PRL 上打破了这一认知。他们 2022 年就用机器学习构建了无轨道密度泛函，这次更进一步，用线性响应理论构建了非局域版本——不是只看某一点的密度，还看密度在空间中的变化方式。结果成功刻画出壳效应。计算复杂度比传统 DFT 低一个量级以上。这不只是数值技巧。它意味着「不用波函数也能看到壳」——这个大门被打开了。

另一边，MALA 项目（Materials Learning Algorithms）在 2025 年发布了完整框架。它用局域原子环境描述符来预言局域电子态密度（LDOS），然后从 LDOS 反推出电子密度和总能量。演示系统包括硼团簇、铝的固液相变和铍层错——全是传统 DFT 算不动的大体系。在核物理里，同样的方法可以直接用到核物质状态方程和反应堆材料上。

壳模型那边也有惊喜。

传统壳模型把核子限制在价空间里，在可管理的维数内对角化哈密顿量。但近似带来的误差有时候很大——特别在幻数边界附近，截断方案会漏掉重要关联。

2024 年，刘辉、徐毅、罗文用 LightGBM——一种基于梯度提升树的机器学习方法——来预言原子核的第一 2⁺ 激发态能量。他们在 642 个核上训练。结果：平均误差比壳模型小 18 倍，比贝叶斯神经网络还低 30%。LightGBM 算一次只需要几毫秒。它成功再现了幻数随核子数的移动——比如氧-28 里传统幻数 20 的消失，以及锡-100 中幻数 50 的保持。这些信息对即将运行的稀有同位素装置——中国的 HIAF、美国的 FRIB——有直接的实验指导意义。

同时，德国达姆施塔特工业大学的 Roth 团队在做另外一件事：用神经网络外推无核芯壳模型（NCSM）的结果。

NCSM 是当前最可靠的第一性原理核结构方法——它从核子-核子相互作用开始，不做壳芯近似。但它只能在有限模型空间里算。你需要外推到无限空间才能拿到收敛结果。传统外推方法靠物理直觉猜函数形式（指数衰减、幂律等），猜错了就偏了。

Wolfgruber 等人在 2024 年证明，人工神经网络可以精确地从有限空间的数据外推出无限空间的结果——不仅能量，还有 RMS 半径。2025 年他们又把方法推到电磁多极矩。核心思想是让网络学习能量、半径和电磁性质之间的关联。一旦学会了这种关联，你从可算的小空间出发，网络一次推理就能产出收敛的完整图像。不确定性也被量化了：既包括模型空间截断误差，也包括手征有效场论相互作用的误差。

核反应那边进展更快。

2025 年，LLNL 的 Choi 等人用图神经网络预言中子反应截面。做法分两步：先用自编码器或隐式神经表示把截面数据压缩成潜空间向量，然后在潜空间里训练 GNN，利用核素图的拓扑结构（某核在图上跟谁是邻居）来补全缺失数据。结果在 9×9 的缺失核区块内做到了准确预言。更有意思的是，聚类分析显示 GNN 自己「发现」了中子幻数——它没有被告知幻数在哪，纯从数据分布里学到了 50、82、126 这些数。这不是巧合。

项目 2025 年扩展到了中子诱发裂变截面，目标是把散落在各大评价数据库（ENDF、JENDL、JEFF）里的数据统一到一个深度学习框架下。

PINN——物理信息神经网络——在那几个方向上同步推进。

2025 年，有人用 PINN 求解了中子-原子核弹性散射的薛定谔方程。从 ¹²C 到 ²⁰⁸Pb、分波从 l=0 到 6、能量到 100 MeV，一套框架做完预言了相移、微分截面和总截面。Woods-Saxon 势的参数被自动优化，结果复现了 R ∝ A^⅓ 的规律和同位旋依赖性。

另有一组把 PINN 和梯度提升树结合起来预言 (γ,n) 光核截面。PINN 在里面做物理学约束——保证截面在阈值以下为零、巨偶极共振峰呈洛伦兹型、能量越高截面单调下降——树模型则负责从数据中学习偏差。混合模型比纯数据驱动或纯理论都准。

还有一组用多任务 PINN 同时预言能级密度和平均共振间距。一个网络同时输出两个量，共享底层物理表示。覆盖 1136 个同位素。结果超过了传统费米气体模型和纯数据驱动方法。

中国团队在这个领域正在快速冒头。

北京大学赵鹏巍团队在 2025-2026 连发两篇 PRL。除了上面说的无轨道 DFT，2025 年的那篇用神经网络量子蒙特卡洛方法计算了中子-α 散射。以前这类计算用传统 QMC 需要大量采样才能收敛。神经网络 QMC 把波函数参数化成了一个神经网络，采样效率大幅提高。他们算出了 D 波散射相移，精度足够区分不同手征有效场论截断方案——这意味着擦边散射实验可以作为检验长程三体核力的灵敏探针。

中国科学院近代物理研究所的吕冰锋和合作者用机器学习解码原子核壳演化，2024 年发表在 Physics Letters B 上。他们的模型准确度高于所有现有的核结构模型。一个具体的预言：氧-28 中传统的幻数 20 消失了。这正好是 HIAF 装置建成后要第一个验证的。

2025 年 10 月，第四届全国核物理及核数据中的机器学习应用研讨会在南华大学召开，近 300 人参会，39 场学术报告。会上展示的工作覆盖了从核质量预言到反应截面评价的整个链条。2025 年的全国核反应会议还专门设置了「核数据与机器学习」分会场。这个社区从几年前的零星几个人，已经长成一个常态化运行的学术群体。

中国三大的核物理大科学装置——HIAF（惠州）、CiADS（惠州）、和北京 ISOL——都在建设中。这些装置每年会产出前所未有的数据和需要理论指导的实验设计。AI 在中间的角色不言而喻。近物所和北京大学联合举办的第二届人工智能与粒子加速器研讨会已经在日程上。

回到开头那个问题：物理学家算了几十年的原子核，AI 到底帮了多少？

从过去两年的成果看，答案越来越清晰。

质量预言从 2.5 MeV 做到了 0.13-0.16 MeV。电荷密度做到 0.01 fm 量级。壳模型加速了 18 倍。核反应截面外推覆盖了核素图的空白区。DFT 的计算成本降了一个量级以上。每个数字背后都是一篇发了 PRL 或 PRC 的工作。

AI 不是在取代物理模型——它在补物理模型算不动、猜不准、外推不了的那些缺口。纯数据驱动加物理骨架的混合模式正在成为主流。最准的结果几乎都来自这种结合：物理提供框架和约束，ML 从数据里补上缺失的部分。

还有几个值得关注的趋势。

可解释性在成为硬要求。MIT/CERN 的 DNA 模型找到了双螺旋结构、树模型给出了特征重要性排名、GNN 自己「发现」了幻数——不满足于「给出答案」，而是追问「学到了什么」。这跟两年前的情况完全不同——那时候 AI 在核物理里主要被当黑箱用。

不确定性量化开始在文章中成为标配。贝叶斯方法的置信区间、ANN 集成的方差、Δ-UQ 的逐点误差估计——你不只要一个数，还要知道这个数靠不靠谱。这个趋势是从核数据评价和应用物理那边倒逼回来的。如果 AI 要指导实验设计或核数据评价，光有平均值不够。

但路还长。

外推到极端丰中子区是 AI 现在最头疼的问题。训练数据集中在已知核上——稳定线和附近。到了滴线附近，训练数据稀疏，ML 模型的误差全面放大。有没有办法用迁移学习或者物理约束来改善这个情况？目前还没有干净答案。

第二个开放问题是网络学会的规律在多大程度上是真实的物理规律，多大程度上只是数据集内部的偶然关联。DNA 模型的双螺旋结构很漂亮，但核素图本身就有某种周期性模式——网络捕捉到的究竟是量子壳结构，还是只是核素图里一个统计上突出的特征？拆开网络看只能部分回答这个问题。

但这些反而是让人兴奋的地方——有明确的问题，有正在长大的工具箱，有即将上线的新数据源。AI 给核物理带来的不是一个闭包的答案集，而是一组新工具——问题一个不少，但能用的工具多了。

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] Nuclear mass predictions based on a convolutional neural network. Phys. Rev. C (Jilin Univ., 2025).

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

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

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

[11] Liu, Xu, Luo. "Prediction of the first 2+ states properties for atomic nuclei using Light Gradient Boosting Machine." ChinaXiv:202411.00206 (2024).

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

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

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

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

[16] Choi, Mitra, Brodsky et al. "Learning nuclear cross sections across the chart of nuclides with graph neural networks." Phys. Rev. C 112, 044601 (2025).

[17] "From the Schrödinger equation to cross section: A comprehensive PINN-based approach for elastic scattering analysis." Physics Open 25 (2025).

[18] "Predicting Nuclear Level Density Using a Physics-Informed Neural Network with Multi-Task Learning." Applied Sciences 16(1), 312 (2025).

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