האצת קביעת המבנה הדק של רמות אטומיות באמצעות חיזוק גרפי

מדוע המחקר הזה חשוב

כשמדענים בוחנים את האור מכוכבים, מפלזמות מיזוג או מנורות תעשייתיות, הם רואים אלפי קווים צבעוניים חדים. כל קו מכיל מידע על מבנה האטום, אך פענוח המבנה המוסתר הזה בעבודה ידנית עלול לקחת למומחים שנים רבות. המחקר הזה מראה כיצד בינה מלאכותית מודרנית יכולה לשאת חלק גדול מהעומס, ולהפוך חודשים או אפילו עשורים של מאמץ אנושי לעבודה שניתן לבצע בשעות, ועדיין להגיע לרמת הדיוק הנדרשת לשימוש מדעי אמיתי.

קריאת טביעות האצבע של האטומים

כל יסוד כימי פולט דפוס ייחודי של קווי ספקטרום, בדומה לברקוד. מאחורי כל קו עומק מעבר בין שתי רמות אנרגיה בתוך האטום. עבור יסודות כבדים, ובפרט כאלה עם סידורי אלקטרונים מורכבים יותר, יכולות להיות אלפי רמות כאלה. חישוב מדויק של אנרגיותיהן ותכונות קשורות נקרא ניתוח טרמינולוגי (term analysis), והוא חיוני לתחומים שנעים מעיצוב תאורה ועיבוד מתכות ועד למחקר גרעיני, ייצור איזוטופים רפואיים, אנרגיית מיזוג ואסטרונומיה. בפרט, אסטרונומים מסתמכים על נתונים אטומיים מדויקים כדי להבין אילו יסודות קיימים בכוכבים ובאירועים אקסוטיים כגון מיזוגי כוכבי נייטרונים.

צוואר בקבוק בנתוני אטום

כלים מודרניים יכולים להקליט עשרות אלפי קווים ספקטרליים עבור יסוד יחיד תוך שבועות, והתיאוריה יכולה לחזות דפוסי רמות במהירות יחסית. הצעד האיטי הוא להפוך את כל המדידות האלה למערך עקבי של רמות אנרגיה מדויקות. מומחים חייבים להחליט אילו קווים נצפים שייכים לאילו מעברים תיאורטיים, ואז לחדד את אנרגיות הרמות עד שהן תואמות את הנתונים. עבור חלק מהיונים של קובלט ונאודימיום שהמחברים בחנו, העניין היסטורית דרש שנים של עבודה מפורטת לכל יסוד. על אף עשורים של מאמץ, רבות מהרמות עבור יסודות כבדים נשארו לא ידועות, וחישובים תיאורטיים בלבד עדיין אינם מדויקים מספיק ליישומים בעלי דרישות גבוהות.

להכשיר AI לבצע ניתוח טרמי

המחברים מציגים את ניתוח הטרמים כמבנה של קבלת החלטות שלב אחר שלב שניתן ללמד מחשב לפתור. הם מייצגים את כל רמות האנרגיה הידועות והחזקות כאיברים בגרף, כשקשרים ביניהן מייצגים מעברים פולטי-אור מותריים. מצב המערכת כולל מידע מאשש ניסויית וגם ניחושים תיאורטיים. בכל שלב, סוכן מלאכותי צריך תחילה לבחור רמה לא ידועה להתמקד בה, ואז לבחור שילוב של קווים נצפים שמתקן בצורה העקבית ביותר את אנרגיית אותה רמה. מהלך דו־שלבי זה מרחיב בהדרגה את קבוצת הרמות המהימנות. הסוכן לומד אסטרטגיה דרך למידת חיזוק, שבה החלטות טובות מתוגמלות ופחות טובות מנותבות, תוך שימוש ברשת עצבית מבוססת גרף כדי להבין את רשת החיבורים האפשרית.

ללמוד מבחירות אנושיות

כדי להנחות את ה-AI להחלטות המשקפות שיקול דעת של מומחים, החוקרים גם מאמנים חלק ממערכת התגמול שלו על ניתוחים אנושיים מהעבר. הם מפיקים דוגמאות לאופן שבו ספקטרוסקופיסטים מנוסים בחרו בין התאמות קווים מתחרות, ומשתמשים ברשת עצבית נפרדת לחקות העדפות אלו. תגמול שלמדו מודד עד כמה רמה חדשה נראית משכנעת, בהתבסס על גורמים כגון עד כמה חוזק הקווים והאנרגיות תואמים ציפיות, וכמה קווים בלתי תלויים תומכים באותו ערך אנרגיה. סוכן למידת החיזוק אז מחפש רצפי בחירות שממקסמים ביטחון זה, תוך חקר רב־נסיוני הרבה יותר מהיר משל אדם.

מה ה-AI השיג

הצוות בדק את שיטתם על שלושה יונים לדוגמה: קובלט מויינן חד-ערכי ושני מצבים של נאודימיום מויינן, תוך שימוש בספקטרות רזולוציה גבוהה אמיתיות וקלט תיאורטי ריאליסטי. בכל מקרה הם סימנו את המצב כחצי-מוכן כאילו תהליך אנושי כבר החל וביקשו מה-AI להמשיך אותו. המערכת שלהם, שנקראת TAG DQN, קבעה מאות רמות נוספות בתוך שעות. עבור קובלט, התוצאות תאמו ערכים פורסמים בכ-95 אחוז מהמקרים, ובמקרי הנאודימיום ההתאמה נעו בין קצת יותר מחצי ועד כמעט תשעים אחוז, בהתאם לדייקנות התיאוריה ההתחלתית. בהשוואות ישירות עם אסטרטגיות חיפוש מסורתיות יותר, הסוכן הלומד בדרך כלל השיג התאמה שוות ערך או טובה יותר במספר הרמות הנכונות שמצא.

השלכות למחקר עתידי

עבור חוקרים התלויים בנתונים אטומיים מדויקים, עבודה זו מצביעה על כך שחלק גדול מהחלק המשעמם ביותר של ניתוח הטרמים ניתן להטיל על מכונות, בעוד שבני אדם יתרכזו בבדיקת מקרים מסובכים ובחידוד הפיזיקה הבסיסית. השיטה אינה מחליפה שיקול דעת מומחה, והיא עדיין נשענת על חישובים תיאורטיים, אך היא יכולה במהירות לייצר סכמות רמות מועמדות באיכות גבוהה שבאופן אחר היו לוקחות חודשים או שנים להרכיב. ככל שכלים דומים יותאמו וישתפרו, הם עשויים לסייע לשמור על מאגרי נתונים אטומיים בקצב עם דרישות התצפיות הגוברות, והם מציגים דוגמה רחבה יותר לאופן שבו בינה מלאכותית יכולה לסייע בתחומים מדעיים מורכבים וכבדי-נתונים.

ציטוט: Ding, M., Darvariu, VA., Ryabtsev, A.N. et al. Accelerating atomic fine structure determination with graph reinforcement learning. Commun Phys 9, 158 (2026). https://doi.org/10.1038/s42005-026-02582-y

מילות מפתח: ספקטרום אטומי, רמות אנרגיה, למידת חיזוק, רשתות עצביות גרפיות, דיאגנוסטיקה של פלזמה