Versnellen van de bepaling van atomaire fijnstructuren met graf-versterkend leren

Waarom dit onderzoek ertoe doet

Wanneer wetenschappers naar het licht van sterren, fusieplasma's of industriële lampen kijken, zien ze duizenden scherpe gekleurde lijnen. Elke lijn bevat informatie over de opbouw van atomen, maar het handmatig achterhalen van die verborgen structuur kan experts jaren kosten. Deze studie toont aan hoe moderne kunstmatige intelligentie een groot deel van die last kan dragen, waardoor maanden of zelfs decennia menselijk werk kunnen worden omgezet in werk dat binnen uren kan worden gedaan, terwijl de nauwkeurigheid behouden blijft die nodig is voor wetenschappelijk gebruik.

Lees de vingerafdrukken van atomen

Elk chemisch element zendt een uniek patroon van spectrale lijnen uit, een beetje zoals een streepjescode. Achter elke lijn zit een sprong tussen twee energieniveaus in een atoom. Voor zware elementen, vooral die met complexere elektronenconfiguraties, kunnen er duizenden zulke niveaus zijn. Het zorgvuldig uitwerken van hun energieën en gerelateerde eigenschappen heet termanalyse, en het is cruciaal voor toepassingen variërend van de ontwikkeling van verlichting en metaalbewerking tot kernonderzoek, productie van medische isotopen, fusie-energie en astronomie. Met name astronomen vertrouwen op precieze atomaire gegevens om te begrijpen welke elementen aanwezig zijn in sterren en in exotische gebeurtenissen zoals het samenvoegen van neutronensterren.

De knelpositie in atomaire gegevens

Moderne instrumenten kunnen binnen weken tienduizenden spectrale lijnen voor een enkel element vastleggen, en theorie kan patroonvoorspellingen van niveaus redelijk snel leveren. De trage stap is het omzetten van al die metingen in een consistente set precieze energieniveaus. Experts moeten beslissen welke waargenomen lijnen bij welke theoretische overgangen horen, en vervolgens de niveau-energieën verfijnen totdat ze overeenkomen met de data. Voor sommige ionen van kobalt en neodymium die de auteurs beschouwen, betekende dit historisch jaren van uitvoerig werk per element. Ondanks decennia van inspanning blijven veel niveaus voor zwaardere elementen onbekend, en puur theoretische berekeningen zijn op zichzelf nog niet nauwkeurig genoeg voor hoogwaardige toepassingen.

Een AI leren termanalyse uit te voeren

De auteurs gieten termanalyse in een stapsgewijs beslissingsprobleem dat een computer kan leren oplossen. Ze representeren alle bekende en voorspelde energieniveaus als punten in een graaf, met verbindingen ertussen die toegestane lichtuitzendingsovergangen voorstellen. De toestand van het systeem omvat zowel experimenteel bevestigde informatie als theoretische schattingen. In elke stap moet een kunstmatige agent eerst een onbekend niveau kiezen om zich op te richten en vervolgens een combinatie van waargenomen spectrale lijnen kiezen die het energie van dat niveau het meest consistent vastlegt. Deze tweefasige zet breidt langzaam de set vertrouwde niveaus uit. De agent leert een strategie via versterkend leren, waarbij goede beslissingen worden beloond en slechte worden ontmoedigd, en een graafgebaseerd neuraal netwerk gebruikt wordt om het web van mogelijke verbindingen te doorgronden.

Leren van menselijke keuzes

Om de AI in de richting van beslissingen te leiden die het menselijke oordeel nabootsen, trainen de onderzoekers ook een deel van het beloningssysteem op eerdere menselijke analyses. Ze halen voorbeelden uit hoe ervaren spectroscopisten kozen tussen concurrerende lijnkoppelingen en gebruiken een apart neuraal netwerk om die voorkeuren te imiteren. Deze aangeleerde beloning meet hoe overtuigend een nieuw niveau lijkt, gebaseerd op factoren zoals hoe goed lijnsterkten en energieën overeenkomen met verwachtingen en hoeveel onafhankelijke lijnen dezelfde energie ondersteunen. De agent voor versterkend leren zoekt vervolgens naar reeksen keuzes die deze vertrouwen maximaliseren, en verkent zo effectief veel proefanalyses veel sneller dan een mens zou kunnen.

Wat de AI bereikte

Het team testte hun methode op drie voorbeeldionen: enkelvoudig geïoniseerd kobalt en twee toestanden van geïoniseerd neodymium, met echte hoogresolutie-spectra en realistische theoretische ingangen. Voor elk geval simuleerden ze de situatie halverwege een menselijke analyse en vroegen de AI deze uit te breiden. Hun systeem, TAG DQN genoemd, bepaalde binnen enkele uren honderden extra energieniveaus. Voor kobalt kwamen de resultaten ongeveer 95 procent van de tijd overeen met gepubliceerde waarden, en voor de twee neodymium-gevallen varieerde de overeenstemming tussen iets meer dan de helft en bijna negentig procent, afhankelijk van hoe nauwkeurig de beginnende theorie was. In directe vergelijkingen met meer traditionele zoekstrategieën evenaarde of overtrof de leergebaseerde agent over het algemeen deze methoden in het aantal correcte niveaus dat hij vond.

Gevolgen voor toekomstige wetenschap

Voor onderzoekers die afhankelijk zijn van nauwkeurige atomaire gegevens suggereert dit werk dat een groot deel van het meest eentonige werk van termanalyse aan machines kan worden toevertrouwd, terwijl mensen zich kunnen concentreren op het controleren van lastige gevallen en het verfijnen van de onderliggende fysica. De methode vervangt geen deskundig oordeel en is nog steeds afhankelijk van theoretische berekeningen, maar ze kan snel hoogwaardige kandidaat-niveauschema's genereren die anders maanden of jaren zouden kosten om samen te stellen. Naarmate soortgelijke hulpmiddelen worden uitgebreid en verbeterd, kunnen ze helpen atomaire databases bij te houden met groeiende observatie-eisen, en ze bieden een breder voorbeeld van hoe kunstmatige intelligentie kan assisteren in andere complexe, data-intensieve gebieden van de wetenschap.

Bronvermelding: 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

Trefwoorden: atoomspectra, energieniveaus, versterkend leren, graph neural networks, plasmadiagnostiek