核结构AI可信外推与基础模型空白

# 0.13 与 37.8：核结构 AI 的成绩单，和那张没及格的卷子

先看两个数字。0.13，和 37.8。

单位都是兆电子伏。都是机器算原子核质量时的偏差。

第一个 0.13 比人类最好的物理公式还准一倍。第二个 37.8 比那个公式差了 130 倍——而且它不是个例，是一整片区域集体崩盘。

同一类方法，同一个目标，差这么多。区别只有一个：机器有没有走出它见过的那张地图。

这篇文章想回答的是两件事。第一，核结构里的 AI，为什么在已知核上赢得干净漂亮，一出门就腿软；第二，既然物理学家已经知道该往哪儿修，为什么到现在还没有一个"核结构基础模型"。和之前写过的《AI 核物理革命》《ML 快速构建核素数据库》分工不同——那两篇讲的是"能算多准"，这篇只讲一件事：这个"准"，什么时候可以信。

一、先把两套成绩单摆平

物理这一边的标尺，是 2014 年定下来的。

广西师范大学的王宁、刘敏，中国原子能科学研究院的吴锡真，北京大学与北京航空航天大学的孟杰（论文署名同时列了北京航空航天大学），四个人在《Physics Letters B》第 734 卷 215–219 页发了一个新模型，叫 WS4，全称 Weizsäcker–Skyrme 4[1]。他们抓住了 2353 个 AME2012 收录的核，把均方根偏差压到了 298 keV。

这个数字在当时是个门槛。298 keV 是宏观–微观模型第一次真正跨过 0.3 MeV，而在此之前，这一路的方法基本在 0.3 到 0.6 MeV 之间晃。同一篇论文里还留了个更低的数字：如果再加上径向基函数修正，2353 个核的偏差能掉到 170 keV[1]。

后来十年，大家就把 0.28 到 0.3 MeV 当成"物理模型的天花板"来引用。

机器这一边，成绩单是一排。

方法	已知核上的偏差	出处
WS4（纯物理）	298 keV（AME2012，2353 核）	Wang 等，PLB 734, 215 (2014)[1]
贝叶斯神经网络 + 物理模型	84 keV	牛中明、梁豪兆，PRC 106, L021303 (2022)[5]
KAN 修正 WS4	训练 157 keV / 测试 205 keV	Lu 等，PRC 114, 034310 (2026)[2]
多任务高斯过程	质量 136 keV，电荷半径 0.007 fm	Ye & Wan，PRC 113, 024304 (2026)[3]
六模型集成 + 模型平均（ELMA）	57 keV（AME2020 全体）	Agrawal 等，APS Open Science 1, 000085 (2026)[4]
量子启发贝叶斯（QIBP 修正 WS4）	273 keV → 149 keV	Tan 等，arXiv:2512.18762[6]
四模型树集成（FMTE）	76 keV（AME2020）	Bentley 等，PRC 112, 014324 (2025)[13]
可解释 AI 模型 NuCLR	130 keV	Richardson 等，arXiv:2508.08370[7]

同一条表里，物理模型最好的成绩是 298 keV，机器最好的成绩是 57 keV。

差了五倍。

但请把这张表的名字再读一遍：已知核。

"已知核上的偏差"这五个字，是整件事的命门。它算的是：把某个核从训练集里挖掉，模型还能不能把它猜回来。这就是为什么 KAN 那篇论文里，训练集 157 keV、测试集 205 keV 要分开写[2]；也是为什么多任务高斯过程那篇论文专门用三种互补的验证方式——数据切分比例、对新测远离稳定线核的外推、以及和老牌 Garvey–Kelson 质量关系对照[3]。

挖掉一个核让它猜，和挖掉一整片区域让它猜，难度不是一个量级。

这张版图的整体轮廓，可以看 2022 年那篇《现代物理评论》的机器学习综述[20]——它把核物理里的机器学习分成"取代模型""补充模型""从数据里抽模型"三类，而它当年就已经把"外推可靠性"挂在未解决清单上。

二、37.8 那一记耳光

2022 年 12 月，S. Goriely 和 A. Choplin、W. Ryssens、I. Kullmann 在 INPC 2022 的会议文集里放了一段测试[10]。

他们不想搞新架构，只想问一个很朴素的问题：一个纯靠数据、不带任何物理的神经网络，到底能外推多远？

做法极简。一个大约 5000 个参数的全连接网络，输入只有质子数和中子数，输出质量。训练集是当时已知的约 2500 个核。

第一轮，随便切 2000 个当训练，留 250 个当验证，再留 250 个当测试。训练集上均方根 0.15 MeV，验证集上 0.6 MeV，测试集上 0.5 MeV。整张核素图拉通算下来，0.28 MeV[10]。这个数字和 WS4 差不多——也就是说，一个没有任何物理的拟合器，光靠数据就能达到物理模型水平。

第二轮才是关键。他们不动架构，只把训练集砍到铅以下：1792 个 Z<82 的核。

训练集上，均方根 0.13 MeV。

然后把这套网络拿去算 Z≥82 的 508 个已经测过的核——这些核被故意排除在训练和验证之外。

均方根偏差：37.8 MeV。

在 Z=110 附近最重的那些核上，单个偏差冲到 120 MeV。

整张图拉通，16.9 MeV[10]。

这段话原文写得很克制，翻译过来就是：机器学习对最重核的外推是"完全失控的"。

如果只看 0.13 那一行，你会以为机器赢了。把 37.8 那一行并排看，你会明白赢在哪里——赢在划定的考区之内。考区一撤，一个 0.13 MeV 的模型能在几步之外给出 120 MeV 的错。

这不是"机器学习不行"。这是"没有物理的机器学习不行"。作者在结论里写了一句可引的话：数学不会取代物理，对数据外推的应用要格外小心[10]。

同类证据不止一条。北京师范大学的 Zai、Cheng、Zhang（署名单位还包括北师大珠海、北京市科学技术研究院、兰州重离子加速器的理论核物理中心）做了一个叫 CoNN 的网络，只用 (Z, N) 两个数当输入，靠四个结构性模块模拟液滴项、壳效应、区域关联和奇偶交错。在 AME2020 全部 3558 个核上均方根 0.269 MeV；留出的插值子集 0.419 MeV；而那 122 个 AME2016 之后新测的核，0.728 MeV[11]。

插值和外推之间，差了一倍多。作者自己承认：当离散的壳嵌入和有限的关联网格够不到时，"纯粹的纯数据驱动结构，缺少约束渐近行为的显式物理先验，很难在数据稀疏区给出可靠外推"[11]。

路易斯安那州立大学等机构的 Dang 等九人，用 SU(3) 与 SU(4) 的 Casimir 算子搭了一个叫 WINN 的可解释网络，也落在同一个区间：在 AME2020 新增核上的验证误差 0.412 MeV[12]。

而真正让人清醒的对比在这里：物理模型反过来没这么怕外推。

物理模型的内在精度本来就低——DFT 类模型的均方根常在 0.5 到 0.8 MeV[11]。但它外推时退化得慢，因为它带着物理约束走。ML 模型精度高、退化快。这两条曲线一升一降，一定会交叉。交叉点在哪里，就是这类方法真正的适用边界——而这个边界，绝大多数论文没画。

三、给机器上物理课的三种上法

既然症结找到了，解法也就那么几条。区别只是"物理"从哪个口子进去。

第一种最省事：不碰物理模型，只让它学残差。

先有一个还行的物理模型，把"实验值减理论值"这个差喂给机器学习，让它学这个差。这条路国内也走得早：2021 年，沈高鹏、王永佳、吕洪亮、李庆峰、沈彩万、刘玲用“机器学习核质量”给出了早期的全局残差学习结果[21]。

真正把“残差学习”和“外推误差”接上的是 2016 年——R. Utama、J. Piekarewicz、H. B. Prosper 用贝叶斯神经网络做核质量，给中子星壳层成分提供输入[17]。2018 年，密歇根州立大学 FRIB 的 Léo Neufcourt、Yuchen Cao、Witold Nazarewicz 和 Frederi Viens 把贝叶斯方法正式用到“基于模型的外推”上，给了外推误差一套统计框架[18]。2022 年牛中明和梁豪兆把这条路推到 84 keV，第一次让机器学习模型在已知区跨过 100 keV 这条 r 过程门槛，而且他们把不确定性也做了出来：沿着同位素链往未知区走，每走一步，不确定性大约涨 50 keV[5]。同年，萨克莱 IRFU 的 Raphaël-David Lasseri、David Regnier、Jean-Paul Ebran 和 Antonin Penon 用“多层神经网络委员会”给整张核素图铺了一张纯数据驱动的结合能表[19]。

2026 年吉林大学的 Y. Lu、T. Shang、P. Du、J. Li 和东京大学的梁豪兆（兼 RIKEN iTHEMS）把这一套换成了 KAN（Kolmogorov–Arnold 网络）[2]。KAN 是这两年才热起来的架构，内层函数是可学习的单变量样条，结构比普通全连接网络透明。他们的 KAN-WS4 把 WS4 从 0.286 MeV 拉到训练集 0.157 MeV、测试集 0.205 MeV，并且在五种质量模型上都能修。

但真正有意思的不是精度。是他们用 KAN 的可解释性做的特征重要性分析：影响残差的最关键输入，是质子数。

这句话翻译成物理语言就是：WS4 里跟质子有关的那几项——库仑能、质子壳效应——有系统性偏差。这是数据在替物理学家指路。他们在结论里也承认，KAN 目前的用处主要是"重新发现简单的物理规律"，要在复杂体系里真正发现新规律，"仍是遥远的目标"[2]。

第二种上法更深一层：把物理写在模型的先验结构里。

巴塞罗那大学的 Javier Rozalén Sarmiento、Hristijan Kochankovski、Arnau Rios 和 Àngels Ramos 在 2026 年 9 月挂出一篇[14]。名字很直白：《核物理引导的高斯过程》。做法是把已知理论结构直接塞进高斯过程的均值函数和核函数里。用他们自己的话，"设计先验、特别是设计均值函数，是获得可靠且校准良好的高斯过程的关键"[14]。

他们在三个问题上试：核子–核子散射相移、原子核质量盈余、致密物质有限温状态方程。结论一致——物理引导的版本在插值精度、不确定性校准、外推可靠性上全面胜过"不可知论"版本。质量盈余这一项上，精度做到约 190 keV；更关键的一句是：当推到从来没测过的极端奇异核时，物理引导的模型仍然稳，而不带先验的版本开始漂移，抓不住正确的长程趋势[14]。

国内同一年也交出了一个硬结果。安徽大学的博士研究生李伟峰与导师牛中明，联合东京大学梁豪兆、上海交通大学牛一斐、北京航空航天大学孙保华，设计了一个"物理有保证"的深度网络，让它直接学核子密度到能量密度的映射，再接到已有的协变密度泛函上去[37]。成绩是：已知区结合能均方根从 644 keV 降到 86 keV；往外推 30 步，偏差仍压在 5 MeV 左右。作者的原话是，这种网络的外推能力明显优于传统机器学习方法[37]。

第三种上法最简洁：物理不是写进公式，是焊进架构。

Zai 等的 CoNN 就属于这一类——四个模块各管一件事，没有物理特征工程，物理约束直接体现在"网络必须长成这个样子"[11]。Dang 等的 WINN 更极端：直接用 SU(4) 和 SU(3) 的 Casimir 算子当基，网络只学 (N,Z) 相关的耦合系数，所以模型天生可以逐项解释[12]。

还有一条独立的线，管的是"怎么把一堆不完美的模型合起来"。斯基德莫尔学院的 Vojtech Kejzlar、密歇根州立大学 FRIB 的 Léo Neufcourt 和 Witold Nazarewicz 在 2023 年提出局部贝叶斯狄利克雷混合（LBMM）[15]。思路上，每个物理模型在核素图不同区域的可信度不一样，所以混合权重不该是常数，应该是位置的函数。他们的结论里有一条特别值得记住：直接混合模型的预测，比混合"修正过的模型"更稳[15]。

这条结论 2026 年又被 FRIB 的 Knight、Lalit、Giuliani、Godbey、Nazarewicz、Ravlić 和埃尔朗根大学的 Reinhard 推进了一步[16]。他们指出，模型外推时预测能力是逐渐退化的，所以合并后的不确定度不该是常数，应该随位置变化——这就是异方差贝叶斯模型组合。他们对 Z=46 到 52 的同位素链做了验证，用实验数据和专门设计的外推合成数据两头夹，结论是这种处理"校准指标更好，对滴线的判断更讲统计原则"[16]。

四、机器看懂物理了吗

外推可靠性还有一个更深的问法：如果你能说清模型为什么这么算，你是不是就更能信它往外走？

先要说清，这不算新题目。2022 年洛斯阿拉莫斯国家实验室的 M. R. Mumpower、T. M. Sprouse、A. E. Lovell、A. T. Mohan 就专门写过一篇标题里直接带"物理上可解释的机器学习核质量"的文章[22]，把可解释性当成目标而不是副产品。

但把它做到"拆开看内部长什么样"这一层的，是 2025 年 8 月三位 MIT 的人。Kate A. Richardson、Sokratis Trifinopoulos、Mike Williams（署名单位：NSF 人工智能与基础相互作用研究所 IAIFI、MIT 核科学实验室；Trifinopoulos 同时挂 CERN 理论部和苏黎世大学物理研究所）发了一篇标题很嚣张的文章：《核模型的 DNA：AI 如何预测核质量》[7]。

数据是 AME2020 筛过之后的 2325 个核，只留 Z 和 N 都大于等于 12 的，并剔除了测量精度差于 100 keV 的。

先亮成绩：WS4 在这批数据上不做任何修正时，均方根 279 keV；加上基于近邻的 Jaffe 修正，降到 160 keV；再用线性回归把 Jaffe 修正做到更精细，115 keV。而此前那个多任务 AI 模型 NuCLR 是 130 keV[7]。

然后才是正题。他们把这个 AI 模型拆开看，发现内部最重要的那几个维度自发排成了一个双螺旋——螺旋两条链上，是每条同位素链里最稳定核的质子数和中子数，中间"氢键"一样连起来的东西，就是这个配对关系。整个预测可以按重要性因子化并排序，最重要的几项恰好对上已知的符号模型，比如液滴模型。而 AI 比符号模型多出来的那部分精度，几乎可以完全归到 1969 年 Jaffe 基于基态结构提出的一个观察上[7]。

这个结论的分量在于：它不是"机器算得准"，而是"机器算得准，而且我们能说出它准在哪"。IAIFI 的科普稿把话说得更直接：可解释的模型对外推可信得多，因为"你能检查的地方你懂它为什么work，你没法检查的地方就有真实理由相信它"[7]。

NuCLR 本身就是更早的铺垫。2023 年 Ouail Kitouni、Niklas Nolte、Sokratis Trifinopoulos、Subhash Kantamneni、Mike Williams 五个人做了这个多任务模型，一个共享表征同时管结合能、衰变能、电荷半径[8]。他们发现了一件意外的事：学出来的表征里，壳结构、幻数、泡利不相容原理自己长出来了，没有任何物理被硬写进架构。晚期的表征甚至排成三维螺旋，幻数出现在局部极大值上，每个核壳对应绕近似锥面转一圈[8]。

2026 年 9 月，同一组人（这次是 Giuliano Giacalone、Sokratis Trifinopoulos、Mike Williams，Giacalone 在 CERN 理论部）把 NuCLR 用到电荷半径和电四极跃迁强度上[9]。结果：电荷半径均方根偏差 0.0147 fm，B(E2) 0.192 e²b²，几百个核上统计。共享表征比单任务学习更好，这一点被"折外验证"（out-of-fold）确认[9]。

这篇文章的摘要最后一句才是关键：NuCLR 是"data-driven surveyor of nuclear structure"，而且是"通向核素图共享、多观测量的基础模型的一步"（a step toward a shared, multi-observable foundation model of the nuclear chart）[9]。

"一步"。这是作者自己写的。

同一个组 2025 年还做过一件有趣的事。Jose M. Munoz、Silviu M. Udrescu、Ronald F. Garcia Ruiz（都是 MIT）用多目标迭代符号回归，让机器自己去搜解析式[25]。目标是回答：符号机器学习能不能重新发现传统核模型，或者找到更简单、更准的替代品。他们确实找到了——简单的解析关系，精度与最先进的核模型相当，而且完全可解释，还顺手用这套模型估了核稳定性的边界。文章发在《Communications Physics》第 8 卷 101 页[25]。

还有一件小事值得一提。北京大学的 X. H. Wu、Z. X. Ren 和 P. W. Zhao 在 2025 年做成了无轨道密度泛函理论长期做不成的事：用机器学习让无轨道 EDF 也能描述形变核的壳效应和形变效应，先做了 ¹⁶O 和 ²⁰Ne 的基态与势能曲线[32]。发在《Communications Physics》第 8 卷 316 页。这件事的意义不在精度，在于它说明"轨道"这个中间量不是必需的——机器能直接从密度学到它。

五、说"我不知道"的两种说法

一个模型往外推的时候有多可信，靠的不是它说自己多准，是它有没有能力说"这块我没见过"。

现在核物理里有两种做法。

一种是贝叶斯式的：让模型输出一个分布，而不是一个数。牛中明和梁豪兆的贝叶斯神经网络是这条路[5]，不确定性随同位素链每步约 +50 keV 这个规律也是他们给出的。更好的做法是模型混合——Kejzlar 等的 LBMM 论文里有一个细节：他们专门画了经验覆盖率曲线，去检查"标称 95% 的可信区间"是不是真的覆盖了 95%[15]。这个检查叫校准，是判断一个误差棒是"真误差棒"还是"画上去的装饰"的唯一办法。

劳伦斯利弗莫尔国家实验室的 Mengyao Huang、Kyle A. Wendt、Nicolas F. Schunck、Erika M. Holmbeck 在 2025 年补了贝叶斯这条路的一块短板[27]。传统上要估"认知不确定性"，最土的办法是把同一个网络用不同的初始权重训很多遍，看结果散多开——代价是训练次数乘 N。他们用的是 Δ-UQ，单次训练就能给出认知不确定性，并在核结合能的两特征模型上验证了这套估计是"可靠且自洽的"[27]。文章发在《Physical Review C》第 112 卷 034317 页。

另一种做法更新，而且更硬：共形预测（conformal prediction）。

它不需要假设分布形状，也不需要模型正确。它只要求数据可交换，然后就能给出有限样本下的覆盖保证——你说 95%，实际覆盖率就真的接近 95%，这是数学保证，不是经验观察[28]。

2026 年 4 月，圭尔夫大学的 Habib Yousefi Dezdarani、Ryan Curry、Alexandros Gezerlis，加上密歇根州立大学 FRIB 的 Cassandra L. Armstrong，把共形分位数回归用在核物理上：对象是中子星质径关系（来自 NMMA 合作组的后验样本）和纯中子物质的量子蒙特卡洛计算[28]。做法是把它当成贝叶斯推断之后的后处理步骤——先跑贝叶斯，再用共形预测把误差棒校正到真的有覆盖保证。

不过要认清共形预测的边界。它保证的是"在训练分布之内，新样本的覆盖率"。当数据不再可交换——比如你把它从稳定线附近推到滴线——那个保证就失效了，得换成加权或非对称的共形版本[28]。

另一条路是 Storbacka 和 Qi 在 2026 年给出的 SPICE 模型[31]。瑞典皇家理工学院的这两位用局部贝叶斯平均，在一个壳模型启发的框架里混合低激发组态，只用 10 到 13 个参数就做到约 500 keV 的均方根偏差。这篇文章发在《Communications Physics》第 9 卷 143 页。最该记住的一句话出自期刊给这篇配的通俗摘要：当模型被推向滴线时，"预测的不确定性以可控的方式增长，而不是给出虚假的自信"[31]。

这句话应该印成横幅。

六、¹⁵O 和 10⁵ 倍：两件容易被混起来的事

前面讲的全是"在核素图上往外推"。还有另一类外推，长得像，其实完全不同——在一个物理模型内部，从一个被截断的计算空间往完整空间推。

麻省理工学院的 Antoine Belley、Jose M. Munoz 和 Ronald F. Garcia Ruiz 做的 BANNANE 就是这一类[26]。这篇 2025 年 2 月挂出的预印本，2026 年 2 月已正式发表在《物理评论快报》第 136 卷 082501 号。它是一个多保真贝叶斯神经网络，把不同精度的从头算结果（用 e_max 标记，也就是模型空间截断）当作多级数据一起去学，同时输出均值和不确定度。

在氧同位素链上，它复现结合能和电荷半径，均方根 0.8 MeV 和 0.01 fm；单独看 ¹⁶O，只用 51 个最高精度样本加总共 715 个样本，RMSE 是 0.337 MeV 和 0.02 fm。作为对比，基于本征矢连续（eigenvector continuation）的子空间投影耦合簇方法在 ¹⁶O 上用了 128 个训练点，拿到的是 3 MeV 和 0.02 fm[26]。

然后是那个被反复引用的测试：把 ¹⁵O 的全部样本从训练集里拿掉。

结果它还能给出 ¹⁵O 的结合能，残差分布很小——作者自己写"这个同位素一个样本都没给，仍然能行，确实令人意外"。但同一句话的下半段更重要：电荷半径的表现明显更差，尤其在壳闭合附近[26]。

而且他们发现了一个很实用的现象：只要把最低一档保真度的数据（e_max=4）放回训练集，残差分布的宽度、系统性偏置都会大幅收窄，整体更接近高斯[26]。

所以"零样本外推 ¹⁵O 已实现"这句话本身没错，但要补两句：对标的是 IMSRG 的计算值（e_max=6/8/10），不是实验值；结合能行，半径吃力。

再说 10⁵ 倍。

这个数字的源头不是论文，是 Belley 在 2025 年美国物理学会核物理分会（APS DNP）秋季会议上的一个 12 分钟报告摘要（2025 年 10 月 19 日，Session N03）。摘要里写：把 Transformer 架构、贝叶斯神经网络和多保真策略结合起来，可以同时对多个核做最先进的模拟，"加速因子达到 10⁵"[26]。这里要留意：正式发表的 PRL 论文摘要里没有这个倍数，它只在会议摘要里出现过。

另一个独立来源是瑞典研究理事会资助、查尔姆斯理工大学 Andreas Ekström 主持的项目（编号 2024-04681，执行期 2025–2028）。项目页面上的一句话是：本征矢连续模拟器能够"以比精确从头算快百万倍的速度"复现从头算结果。

这两个数字经常被拿去当"AI 让核物理快了十万倍"的新闻标题。基本没错，但要把限定词带上：

加速的是模拟器，加速的是"在同一个物理模型里反复扫描参数"这件事。它让原本做不起的全局敏感性分析和不确定性量化变成可能——这才是加速的真正意义，不是精度。

这个方向的系统梳理，见达姆施塔特工业大学 Marco Knöll 2026 年发在《Journal of Physics G》的综述[29]；同组的 Tobias Wolfgruber 在 2026 年的博士论文里把神经网络用于无核芯壳模型的模型空间外推，交出的不是一个数，而是收敛值的概率分布，连带把多体误差和外推误差一起给出[30]。一句话：这里的机器学习是"把截断造成的窟窿补上"，不是"猜没见过的核"。

而核素图上的质量模型外推，完全不是这回事。在那里，你面对的不是"同一个模型的不同截断"，而是"一个从没见过这类核的拟合器，要它猜一个可能和训练集不同分布的核"。把两个 10⁵ 混在一起讲，是这类科普里最常见的错误。

七、那块空着的地

现在回到标题里的第二个问题：为什么还没有"核结构基础模型"。

先把"基础模型"这个词的标准定住，不然争论会跑偏。基础模型指的是：大规模预训练出一个通用骨干，然后靠少量微调迁移到大量下游任务。语言领域的 GPT、视觉领域的 CLIP 都是这个套路。

拿这把尺子去量核结构，会发现最接近的几个东西都差半截。

NuCLR 系列：多任务、共享表征、跨观测量，方向完全对。但它的作者自己写的定位是"通向基础模型的一步"[9]，而它没有预训练阶段，也没有跨任务的微调协议。

多任务高斯过程：华南理工大学的叶伟虎和万牛用 12 个物理输入特征，同时预测质量和电荷半径，质量和半径的整体均方根偏差分别是 0.136 MeV 和 0.007 fm，还用 SHAP 方法分析了不同核区里各特征的重要性[3]。发在《Physical Review C》第 113 卷 024304 页。这是"多任务"，不是"基础模型"——它的任务只有两个，也没有预训练。

LLM 微调：山东大学的郭（S. J. Guo）、王（S. Y. Wang）、王（E. H. Wang）、丁（Y. M. Ding）和安徽大学的牛中明（Z. M. Niu）在 2026 年 5 月做了一件看起来最像基础模型的事——把预训练的 DeepSeek-R1-1.5B 用 LoRA 微调，在因果语言建模框架下自回归地学习"实验值与理论值之差"，一个模型同时管七类观测量：电荷半径、质量、结合能、分离能、衰变能等，并表示训练损失在所有任务上下降超过 98%[33]。

这是目前最接近"用大模型做核结构"的工作。但请注意两件事。第一，它学的是残差，本质是残差学习的换壳，只是把拟合器从 BPNN 换成了 LLM。第二，论文给出的核心指标是训练损失下降 98%，这是优化指标，不是外推精度指标[33]。它会"记住"训练数据这件事，论文没有回答。

FM4NPP 路线图：布鲁克海文国家实验室的 Yihui Ren 等二十余人在《International Journal of Modern Physics A》第 41 卷发了《面向核与粒子物理的规模化、推理式、自演化基础模型路线图》[34]。这份文件里有句话值得整段抄下来：核与粒子物理"产生艾字节级的实验数据、百亿亿次级的模拟和几十年的理论洞见——但这些大多与现代 AI 能力脱节，多数物理 AI 应用局限于窄的、任务专用的模型，一旦用到真实实验数据上就会出现域偏移"[34]。

看清楚：这是 AI 圈内人自己承认的现状。而这份路线图的重心在探测器数据、跨装置知识迁移和智能体，不在核结构理论。

中国方面的判断：2026 年《中国科学院院刊》第 6 期有一篇《人工智能赋能粒子物理与核物理学：从基础研究到重大应用》，作者是王贻芳、何源、黄耀、何万兵、焦毅、李聪乔……直到马余刚等二十二人，来自高能物理研究所、近代物理研究所、合肥物质科学研究院、复旦大学、北京大学、国家空间科学中心、华东师范大学、华中师范大学、哈尔滨工程大学、上海高等研究院、中国原子能科学研究院[35]。文中把方向列得很清楚：要"构建具有推理能力的物理大模型"，在模型结构中引入物理对称性、守恒律与动力学方程约束；还要"研发基础模型的开发与部署方案，构建高效整合多模态数据的通用工具平台，并实现智能体与基础模型的协同工作"[35]。

这是路线，不是成果。

复旦大学/华东师范大学的马余刚在 2026 年 8 月挂出的综述《核科学与技术的前沿问题与新兴方向》[36]里，把"数据驱动与人工智能辅助方法"放进了使能方法的清单，与从头算方法、连续谱耦合理论、先进加速器和探测器平台并列。

那到底卡在哪？五个原因，从硬到软。

第一，语料太薄。 AME2020 收录 3558 个核，其中有实测质量的约 2400 到 2500 个[11][24]。图像领域的预训练语料是千万到十亿量级。核素图这张语料，天生就小三个数量级。而且它不是均匀的——稳定线附近密，滴线附近疏，正好是你要预测的地方最稀疏。

第二，观测量之间没有统一表示。 质量是能量，半径是长度，半衰期是指数尺度的时间，激发能是能级差。语言模型之所以能统一，是因为一切都先变成 token。核物理这七类观测量怎么变成"同一个表示"，目前没有公认答案。NuCLR 的做法是共享表征层，多任务 GP 的做法是用 12 个物理特征硬接，LLM 那篇的做法是把数值当 token 喂进去——三条完全不同的路，谁也没赢。

第三，外推惩罚不对称。 语言模型猜错一个词，代价是一个词。核质量外推错 0.5 MeV，r 过程模拟出来的元素丰度曲线可能整条偏掉——因为 (n,γ)–(γ,n) 平衡下的丰度对质量差是指数敏感的。Mengke Li、Trevor M. Sprouse、Bradley S. Meyer、Matthew R. Mumpower 2024 年在《Physics Letters B》上把这件事量化过一遍[23]。而多目标优化的那篇论文说得更直接：单个质量模型的误差在远离稳定线时会涨到几个 MeV，而"高保真 r 过程计算需要的是亚 100 keV 精度"，这个差距是"一个主要的挑战"[24]。这让"先做出个基础模型，慢慢调"这种互联网式的开发节奏行不通。

第四，没有公认的外推基准。 NLP 有 MMLU，视觉有 ImageNet。核物理这边最接近的东西是 AME 各版本之间的时间差：拿 AME2016 训练，用 AME2020 新增的核测试[11][12]。这是个巧办法，但它有两个毛病——新测核依然集中在稳定线附近（不是真的远），样本量小（几十到一两百个），而且一旦被大家当成调参目标，很快就失去基准的意义。

第五，算力和钱的量级。 从头算模拟器的训练数据本身就是昂贵计算，一个 e_max=10 的结果在中等核上不是随手能出的。你想"先用无监督预训练学一张通用表征"，可预训练的数据从哪来？实验只有 2500 个点，理论数据要现算。这是核物理独有的困境：不像蛋白质结构，这里连"数据"都得先造。

八、我的判断

三句话。

第一，精度早就不是瓶颈了，外推协议才是。 57 keV、84 keV、136 keV 这些数字堆在一起，说明"在已知核上把曲线拟合好"这件事已经被解决。真正没有解决的是：一个模型怎么知道自己站在悬崖边上。我的判断是，未来两三年真正会被引用的，不是又刷新 10 keV 的模型，而是那些公开了"离训练数据多远就自动闭嘴"机制的工作——BANNANE 用保真度分层，SPICE 用可控膨胀的不确定性，异方差 BMC 用随位置变化的理论误差[16][26][31]。谁把这件事做成协议，谁的东西才会被 r 过程模拟真正拿去用。

第二，可解释性不是装饰品，是产出。 KAN 那件事是范本：它没告诉你"AI 也懂物理"这种浪漫的话，它告诉你 WS4 的质子相关项有系统性偏差[2]。这才是可解释 ML 在物理里的真正用法——不是让机器获得理解，而是让机器指出人类的公式在哪里欠拟合。DNA 那篇更进一步，把 AI 多出来的精度追溯到 1969 年 Jaffe 的一个具体观察[7]，这就等于说：那个被忽略五十年的项，其实是 WS4 和 AI 之间的全部差距。

第三，核结构基础模型这块地，短期不会靠堆参数被填上。 它更可能被三件事拼出来：多任务共享表征（NuCLR 路线）、物理先验写进架构或先验函数（CoNN、WINN、物理引导 GP 路线）、以及经过校准的不确定性（贝叶斯混合、共形预测、SPICE 路线）。谁把这三件事缝到一起，谁就有资格说自己在做基础模型。现在还早。

最后一句诚实的话。核结构基础模型至今没有被做出来。所有号称沾边的，要么是任务专用的（多任务 GP、LLM 微调），要么是一步（NuCLR），要么是一份路线图（FM4NPP）。这不是因为没人想到——NuCLR 2026 年那篇的摘要最后一句就写着这个词。而是因为上面那五个原因里，至少前四个是物理本身给的，不是工程能绕过去的。

所以下次看到"AI 已经学会核物理"这种标题，可以问一句：它学会的是核物理，还是核物理的考区。

---

参考文献

Ning Wang, Min Liu, Xizhen Wu, Jie Meng, "Surface diffuseness correction in global mass formula", *Physics Letters B* 734 (2014) 215–219, DOI 10.1016/j.physletb.2014.05.049（署名单位：广西师范大学；中国原子能科学研究院；北京大学、北京航空航天大学）。arXiv:1405.2616。

Yanhua Lu, Tianshuai Shang, Pengxiang Du, Jian Li, Haozhao Liang, "Correcting nuclear mass models with interpretable machine learning to bridge theory and data", *Physical Review C* 114 (2026) 034310（2026-09-08 上线）, DOI 10.1103/yjnd-vgjr。预印本 arXiv:2603.15203（v1 2026-03-16，预印本题名作 "Bridging Theory and Data: ..."）。署名单位：吉林大学物理学院；东京大学物理系、东京大学夸克核科学研究所（Quark Nuclear Science Institute）；RIKEN 跨学科理论与数学科学项目（iTHEMS）。

Weihu Ye, Niu Wan, "Simultaneous improvements of nuclear mass and charge radius predictions using multitask Gaussian process approaches", *Physical Review C* 113 (2026) 024304, DOI 10.1103/1mgv-jypl。预印本 arXiv:2507.17357。署名单位：华南理工大学物理与光电学院。

Srikrishna Agrawal, N. Chandnani, T. Ghosh, N. Paar, G. Saxena, B. K. Agrawal, "Physics-guided ensemble learning of nuclear masses for astrophysical applications", *APS Open Science* 1 (2026) 000085, DOI 10.1103/8n1w-f3b7。预印本 arXiv:2508.21771（题为 "Conflation of Ensemble-Learned Nuclear Mass Models for Enhanced Precision"）。署名单位：BITS-Pilani 海得拉巴校区机械工程系；Manipal University Jaipur 物理系；政府女子工程学院（阿杰梅尔）物理系；萨格勒布大学理学院物理系；萨哈核物理研究所（加尔各答）。

Z. M. Niu, H. Z. Liang, "Nuclear mass predictions with machine learning reaching the accuracy required by r-process studies", *Physical Review C* 106 (2022) L021303, DOI 10.1103/PhysRevC.106.L021303。署名单位：安徽大学物理与光电工程学院；东京大学物理系；RIKEN 仁科中心。

Kaizhong Tan, Jian Liu, Chuan Wang, "Quantum-inspired Bayesian probability algorithm for nuclear mass predictions", arXiv:2512.18762（v1 2025-12-21，v2 2026-05-30）；期刊版 *Physical Review C*，DOI 10.1103/ysj2-1g7q。

Kate A. Richardson, Sokratis Trifinopoulos, Mike Williams, "The DNA of nuclear models: How AI predicts nuclear masses", arXiv:2508.08370（v1 2025-08-11，v2 2025-09-30），报告号 CERN-TH-2025-153。署名单位：NSF 人工智能与基础相互作用研究所（IAIFI）；MIT 核科学实验室；CERN 理论物理部；苏黎世大学物理研究所。

Ouail Kitouni, Niklas Nolte, Sokratis Trifinopoulos, Subhash Kantamneni, Mike Williams, "NuCLR: Nuclear Co-Learned Representations", arXiv:2306.06099（2023-06-09）。

Giuliano Giacalone, Sokratis Trifinopoulos, Mike Williams, "Learning Nuclear Structure with AI: Radii and Collectivity", arXiv:2609.17838（2026-09-15），报告号 CERN-TH-2026-202。署名单位：CERN 理论物理部（Giacalone，兼 Trifinopoulos）；苏黎世大学物理研究所、美国西北大学物理与天文系（Trifinopoulos）；MIT 核科学实验室与 NSF 人工智能与基础相互作用研究所 IAIFI（Williams）。

S. Goriely, A. Choplin, W. Ryssens, I. Kullmann, "Progress in Nuclear Astrophysics: a multi-disciplinary field with still many open questions", *Journal of Physics: Conference Series* 2586 (2023) 012104（INPC 2022 会议文集），DOI 10.1088/1742-6596/2586/1/012104。预印本 arXiv:2212.02156。

Peiwen Zai, Wei Cheng, Feng-Shou Zhang, "Physics-structured cooperative neural network for baseline-free nuclear mass modeling", arXiv:2603.09747（v1 2026-03-10，v2 2026-07-31 改题并大幅修订）。署名单位：北京师范大学射线束技术教育部重点实验室、物理与天文学院；北京师范大学珠海校区自然科学高等研究院；北京市科学技术研究院辐射技术研究所；兰州重离子加速器国家实验室理论核物理中心。

Phong Dang, Evander Espinoza, Xiaoliang Wan, Michela Negro, Jerry P. Draayer, Feng Pan, Tomas Dytrych, Daniel Langr, David Kekejian, "Bridging Ab Initio Symmetries and Global Nuclear Masses with Interpretable Neural Networks", arXiv:2606.28287（v1 2026-06-26，v2 2026-09-05）。

I. Bentley, J. Tedder, M. Gebran, A. Paul, "Further exploration of binding energy residuals using machine learning and the development of a composite ensemble model", *Physical Review C* 112 (2025) 014324, DOI 10.1103/brx1-pnq9。预印本 arXiv:2503.11066。

Javier Rozalén Sarmiento, Hristijan Kochankovski, Arnau Rios, Àngels Ramos, "Nuclear-physics-guided Gaussian Processes", arXiv:2609.11714（2026-09-10）。署名单位：巴塞罗那大学量子物理与天体物理系（FQA）；巴塞罗那大学宇宙科学研究所（ICCUB）。

Vojtech Kejzlar, Léo Neufcourt, Witold Nazarewicz, "Local Bayesian Dirichlet mixing of imperfect models", *Scientific Reports* 13 (2023) 19600, DOI 10.1038/s41598-023-46568-0。署名单位：斯基德莫尔学院数学与统计系；密歇根州立大学 FRIB 实验室；密歇根州立大学物理与天文系及 FRIB 实验室。

B. Knight, S. Lalit, P. Giuliani, K. Godbey, W. Nazarewicz, A. Ravlić, P.-G. Reinhard, "Beyond Constant Error: Heteroscedastic Bayesian Model Combination for Modeling Unmeasured Nuclei", arXiv:2607.14039（2026）。署名单位：密歇根州立大学稀有同位素束流装置（FRIB）与物理与天文系；萨格勒布大学理学院物理系；埃尔朗根大学理论物理研究所。

R. Utama, J. Piekarewicz, H. B. Prosper, "Nuclear mass predictions for the crustal composition of neutron stars: A Bayesian neural network approach", *Physical Review C* 93 (2016) 014311, DOI 10.1103/PhysRevC.93.014311。

Léo Neufcourt, Yuchen Cao, Witold Nazarewicz, Frederi Viens, "Bayesian approach to model-based extrapolation of nuclear observables", *Physical Review C* 98 (2018) 034318, DOI 10.1103/PhysRevC.98.034318。

Raphaël-David Lasseri, David Regnier, Jean-Paul Ebran, Antonin Penon, "Taming Nuclear Complexity with a Committee of Multilayer Neural Networks", *Physical Review Letters* 124 (2020) 162502, DOI 10.1103/PhysRevLett.124.162502。署名单位：萨克莱 IRFU/DPHN；卡尚 CMLA；CEA DAM。预印本 arXiv:1910.04132。

Amber Boehnlein, Markus Diefenthaler, Nobuo Sato, Malachi Schram, Veronique Ziegler 等, "Colloquium: Machine learning in nuclear physics", *Reviews of Modern Physics* 94 (2022) 031003, DOI 10.1103/RevModPhys.94.031003。

Zepeng Gao, Yongjia Wang, Hongliang Lü, Qingfeng Li, Caiwan Shen, Ling Liu, "Machine learning the nuclear mass", *Nuclear Science and Techniques* 32 (2021) 109, DOI 10.1007/s41365-021-00956-1。

M. R. Mumpower, T. M. Sprouse, A. E. Lovell, A. T. Mohan, "Physically interpretable machine learning for nuclear masses", *Physical Review C* 106 (2022) L021301, DOI 10.1103/PhysRevC.106.L021301。

Mengke Li, Trevor M. Sprouse, Bradley S. Meyer, Matthew R. Mumpower, "Atomic masses with machine learning for the astrophysical r process", *Physics Letters B* 848 (2024) 138385, DOI 10.1016/j.physletb.2023.138385。

Mengke Li, Matthew Mumpower, Nicole Vassh, William Samuel Porter, Rebecca Surman, "Constraining Nuclear Mass Models Using r-process Observables with Multi-objective Optimization", arXiv:2506.06464（2025-06-06）。署名单位：加州大学伯克利分校物理系；圣母大学物理与天文系；洛斯阿拉莫斯国家实验室理论部与理论天体物理中心；TRIUMF。

Jose M. Munoz, Silviu M. Udrescu, Ronald F. Garcia Ruiz, "Discovering nuclear models from symbolic machine learning", *Communications Physics* 8 (2025) 101, DOI 10.1038/s42005-025-02023-2。预印本 arXiv:2404.11477。署名单位：麻省理工学院。

Antoine Belley, Jose M. Munoz, Ronald F. Garcia Ruiz, "Global Framework for Emulation of Nuclear Calculations", *Physical Review Letters* 136 (2026) 082501（2026-02-23 上线）, DOI 10.1103/mvc3-qdtc。预印本 arXiv:2502.20363（v1 2025-02-27，v2 2025-04-01）。署名单位：麻省理工学院。10⁵ 倍加速的数字出自同组在美国物理学会核物理分会 2025 年秋季会议（DNP 2025，Session N03，2025-10-19）上的报告摘要 "Global emulation of atomic nuclei"（报告人 Antoine Belley，MIT；摘要见 https://schedule.aps.org/dnp/2025/events/N03/3 ）。须注意：该摘要未附同行评议，且正式发表的 PRL 论文摘要中并未给出加速倍数。文中"快百万倍"这一说法的另一来源是瑞典研究理事会项目 2024-04681（查尔姆斯理工大学 Andreas Ekström 主持，执行期 2025–2028）项目页 https://research.chalmers.se/en/project/11968 。

Mengyao Huang, Kyle A. Wendt, Nicolas F. Schunck, Erika M. Holmbeck, "Quantifying uncertainty in machine learning for nuclear binding energy", *Physical Review C* 112 (2025) 034317, DOI 10.1103/tdk4-c4tp。预印本 arXiv:2504.09013（题目作 "on nuclear binding energy"）。署名单位：劳伦斯利弗莫尔国家实验室。

Habib Yousefi Dezdarani, Ryan Curry, Cassandra L. Armstrong, Alexandros Gezerlis, "Conformal prediction for uncertainties in the neutron star equation of state", arXiv:2604.21039（2026-04-22）。署名单位：圭尔夫大学物理系（Yousefi Dezdarani、Curry、Gezerlis）；密歇根州立大学稀有同位素束流装置 FRIB 与物理与天文系（Armstrong）。

Marco Knöll, "High-precision ab initio nuclear theory: learning to overcome model-space limitations", *Journal of Physics G: Nuclear and Particle Physics* 53 (2026) 083001, DOI 10.1088/1361-6471/ae8d41。预印本 arXiv:2604.08253。署名单位：达姆施塔特工业大学核物理研究所。

Tobias Wolfgruber, "Precision No-Core Shell Model Calculations with Artificial Neural Networks", 博士论文，达姆施塔特工业大学，2026，DOI 10.26083/tuda-7951（URN urn:nbn:de:tuda-tuda-153683；导师 Robert Roth、Kai Hebeler）。

Melvin Storbacka, Chong Qi, "A flexible Bayesian framework for atomic masses by locally inferring configuration mixing", *Communications Physics* 9 (2026) 143, DOI 10.1038/s42005-026-02636-1。署名单位：瑞典皇家理工学院物理系（AlbaNova 大学中心）。模型名 SPICE。须注明：正文引用的"预测的不确定性以可控的方式增长，而不是给出虚假的自信"一语，出自该刊为这篇论文配发的通俗摘要（期刊概览页），并非论文摘要或正文原句。

X. H. Wu, Z. X. Ren, P. W. Zhao, "Machine learning orbital-free density functional theory resolves shell effects in deformed nuclei", *Communications Physics* 8 (2025) 316, DOI 10.1038/s42005-025-02234-7。预印本 arXiv:2412.20739（v1 2024-12-30；预印本题名为 “Machine learning orbital-free density functional theory: taming quantum shell effects in deformed nuclei”，与期刊题名不同）。署名单位：福州大学物理系；北京大学物理学院、核物理与核技术国家重点实验室；于利希研究中心；波恩大学（HISKP 及 Bethe 理论物理中心）。

S. J. Guo, S. Y. Wang, E. H. Wang, Z. M. Niu, Y. M. Ding, "Large language model for unified and accurate description of multidimensional nuclear properties", arXiv:2605.29408（2026-05-28）。署名单位：山东大学核科学与能源动力工程学院、山东省核科学与核能技术及综合利用重点实验室、威海核技术前沿创新研究院；山东大学威海工业技术研究院；安徽大学物理学院。

Yihui Ren, Joseph D. Osborn, Elizabeth Brost, Haiwang Yu, Syed Haider Abidi, Yeonju Go, Shuhang Li, David Park, Yi Huang, Xihaier Luo, Yuewei Lin, Peter Boyle, Jin Huang, Alexei Klimentov, Michael Begel, Xin Qian, Torre J. Wenaus, Dmitri Denisov, Abhay Deshpande, Meifeng Lin, Shinjae Yoo, Viviana Cavaliere, James C. Dunlop, Hong Ma, "A roadmap toward scaling, reasoning and self-evolving foundation models for nuclear and particle physics", *International Journal of Modern Physics A* 41 (2026) 15n16, DOI 10.1142/s0217751x26500867。牵头单位：布鲁克海文国家实验室。

王贻芳, 何源, 黄耀, 何万兵, 焦毅, 李聪乔, 李科, 刘北江, 马英起, 马余刚, 庞龙刚, 齐法制, 谭思超, 王春鹏, 王盟, 徐小恒, 徐星, 赵振堂, 张英逊, 张正德, 赵红卫, 赵丽娜, "人工智能赋能粒子物理与核物理学：从基础研究到重大应用", 《中国科学院院刊》 41 (2026) 6, 1089–1102, DOI 10.3724/j.issn.1000-3045.20260415007。署名单位包括：中国科学院高能物理研究所、近代物理研究所、合肥物质科学研究院、上海高等研究院、国家空间科学中心；复旦大学现代物理研究所；北京大学物理学院；华东师范大学物理学院；华中师范大学夸克与轻子物理教育部重点实验室；哈尔滨工程大学核科学与技术学院；中国原子能科学研究院。

Yu-Gang Ma, "Frontier Questions and Emerging Directions in Nuclear Science and Technology", arXiv:2608.26207（2026-08-26）。

W. F. Li, Z. M. Niu, H. Z. Liang, Y. F. Niu, B. H. Sun, "Construction of nuclear covariant energy density functional from a physics-guaranteed neural network approach", *Physics Letters B* 879 (2026) 140696, DOI 10.1016/j.physletb.2026.140696。署名单位：安徽大学物理学院（第一完成单位、通讯单位）；东京大学物理系、东京大学夸克核科学研究所、RIKEN iTHEMS（梁豪兆）；上海交通大学物理与天文学院（牛一斐）；北京航空航天大学物理与核能工程学院（孙保华）。第一作者李伟峰为安徽大学博士研究生，通讯作者牛中明。

核实与纠错记录

以下逐条列出本轮核查中发现的、在中文与英文二手材料里反复出现的误传或过度简化。

#	常见说法	实际情况	依据
1	"WS4 精度约 0.3 MeV"	原文具体数字是 298 keV，且明确对应 AME2012 的 2353 个核（Z、N≥8）；这个数字不能直接挪到 AME2020 数据集上比较	Wang 等，Phys. Lett. B 734, 215（2014）
2	"机器学习已经在核质量预测上超过物理模型"	只在已知核的无偏交叉验证上成立。同一个纯数据网络，在 Z<82 上做到 0.13 MeV，推 Z≥82 的 508 个已测核时均方根 37.8 MeV、最重核处达 120 MeV	Goriely 等，J. Phys. Conf. Ser. 2586, 012104（2023）
3	"WS4 是北大孟杰组的模型"	论文四位作者、四个署名单位：王宁、刘敏（广西师范大学）、吴锡真（中国原子能科学研究院）、孟杰（北京大学与北京航空航天大学并列署名）	Phys. Lett. B 734, 215（2014）
4	"KAN-WS4 把精度提到 0.16 MeV"	0.157 MeV 是训练集，测试集是 0.205 MeV。只引 0.16 会系统性高估	Lu 等，arXiv:2603.15203 表 II
5	"NuCLR 就是核结构基础模型"	原文措辞是"通向核素图共享、多观测量基础模型的一步"（a step toward...）。它没有预训练阶段，也没有微调协议	Giacalone 等，arXiv:2609.17838；Kitouni 等，arXiv:2306.06099
6	"AI 让核物理计算快了十万倍"	10⁵ 倍是多保真模拟器相对逐点从头算的加速（同一物理模型内部的模型空间外推），出自会议报告摘要而非期刊论文；与核素图上的质量模型外推是两件不同的事	Belley 等，arXiv:2502.20363；APS DNP 2025 报告摘要
7	"机器学习算核质量已经到 57 keV"	57 keV 是 ELMA 在 AME2020 全体上的 RMSE。同一框架在 AME2020 之后新测核上的表现必须单独看；作为参照，Bentley 等 FMTE 在 AME2020 上是 76 keV，而在 post-AME2020 数据上是 0.376 MeV（后者据 ELMA 论文转述）	Agrawal 等，APS Open Science 1, 000085（2026）；Bentley 等，Phys. Rev. C 112, 014324（2025）
8	"¹⁵O 的零样本外推已经预测出实验值"	BANNANE 的 ¹⁵O 测试对标的是 IMSRG 计算值（e_max=6/8/10），不是实验值；且电荷半径在该同位素上表现明显更差，尤其壳闭合附近	Belley 等，arXiv:2502.20363
9	"局部贝叶斯狄利克雷混合"的卷号常被写成 Sci. Rep. 13, 19795	实际是 Scientific Reports 13, 19600（2023）	DOI 10.1038/s41598-023-46568-0；美国能源部科学办公室科普稿
10	"大模型已经能做核物理了"	山东大学/安徽大学那篇是把 DeepSeek-R1-1.5B 用 LoRA 微调在"实验值减理论值"的残差上，属残差学习的换壳；论文自报的核心指标是训练损失下降 98%，是优化指标，不是外推精度	Guo 等，arXiv:2605.29408
11	"FM4NPP 就是核结构基础模型"	FM4NPP 是一份路线图，重心在探测器数据、跨装置迁移与智能体；它自己承认目前物理 AI"多数局限于窄的、任务专用的模型"	Ren 等，Int. J. Mod. Phys. A 41, 15n16（2026）
12	"NuCLR 是 CERN 的工作"	2023 年原始 NuCLR 的五位作者都在 MIT/IAIFI。2026 年那篇里，Giacalone 在 CERN 理论部，Trifinopoulos 同时挂 CERN 与苏黎世大学，Williams 在 MIT 核科学实验室与 IAIFI	arXiv:2306.06099；arXiv:2609.17838
13	"37.8 MeV 只是模型估计"	不是估计。那 508 个核是已实测、但被故意排除在训练与验证集之外的核，所以 37.8 MeV 是真实的外推误差	Goriely 等（2023）原文表述
14	把多任务高斯过程那篇的数字写成 0.09 MeV / 0.004 fm	那是 arXiv v1 的早期版本；正式发表的 Phys. Rev. C 113, 024304 给出的是 0.136 MeV 和 0.007 fm	期刊版摘要 vs arXiv v1 摘要
15	BANNANE 那篇（arXiv:2502.20363）是"预印本"	已正式发表于 Physical Review Letters 136, 082501（2026-02-23 上线），DOI 10.1103/mvc3-qdtc；arXiv v2 的日期是 2025-04-01，不是 2026 年	INSPIRE / ADS / PRL 官网
16	"10⁵ 倍加速"是论文结论	该数字出自 APS DNP 2025 秋季会议（Session N03）的 12 分钟报告摘要，报告人 Antoine Belley（MIT）；正式发表的 PRL 论文摘要没有给出加速倍数。另有查尔姆斯项目页（编号 2024-04681）说本征矢连续模拟器"快百万倍"，那是另一套方法与另一个口径	https://schedule.aps.org/dnp/2025/events/N03/3 ；Phys. Rev. Lett. 136, 082501
17	SPICE 的第一作者写作 "Markus Storbacka"	实际是 Melvin Storbacka（瑞典皇家理工学院）	Commun. Phys. 9, 143 (2026)；DOAJ / KTH DiVA
18	把"不确定性以可控的方式增长，而不是给出虚假的自信"当成 SPICE 论文原句	这句出自期刊为论文配发的通俗摘要，论文摘要本身说的是"外推到未知核之外时不确定性常被低估"	Commun. Phys. 9, 143 (2026) 摘要 vs 期刊通俗摘要
19	共形预测那篇的作者都在圭尔夫大学	Yousefi Dezdarani、Curry、Gezerlis 在圭尔夫；Cassandra L. Armstrong 在密歇根州立大学 FRIB 与物理与天文系	arXiv:2604.21039 署名块
20	CoNN 那篇的题目是《Architecture as physical prior: cooperative neural network for nuclear masses》	那是 v1 时期的方向性题目；2026-07-31 的 v2 已改题为《Physics-structured cooperative neural network for baseline-free nuclear mass modeling》并大幅修订	arXiv:2603.09747 版本记录
21	KAN-WS4 那篇仍是预印本	已正式发表于 Phys. Rev. C 114, 034310（2026-09-08 上线），期刊题名改为《Correcting nuclear mass models with interpretable machine learning to bridge theory and data》	DOI 10.1103/yjnd-vgjr
22	无轨道密度泛函那篇的预印本题名就是期刊题名	预印本题名是 "...taming quantum shell effects in deformed nuclei"，期刊题名是 "...resolves shell effects..."	arXiv:2412.20739 vs Commun. Phys. 8, 316 (2025)
23	安徽大学那篇协变密度泛函的期刊信息不全	Physics Letters B 879 (2026) 140696；已知区结合能均方根 644 keV → 86 keV，外推 30 步偏差约 5 MeV	DOI 10.1016/j.physletb.2026.140696；安徽大学物理学院 2026-07-09 新闻稿