Przyspieszanie wyznaczania struktury subtelnej atomów za pomocą wzmocnionego uczenia grafowego

Dlaczego to badanie ma znaczenie

Kiedy naukowcy oglądają światło ze gwiazd, plazm syntezowych czy lamp przemysłowych, widzą tysiące wyraźnych kolorowych linii. Każda linia kryje informacje o budowie atomu, ale odtworzenie tej ukrytej struktury ręcznie może zająć ekspertom wiele lat. W tym badaniu pokazano, jak współczesna sztuczna inteligencja może wziąć na siebie dużą część tego zadania, zamieniając miesiące, a nawet dziesięciolecia pracy ludzkiej w działania wykonane w ciągu godzin, przy zachowaniu dokładności potrzebnej do użycia naukowego.

Odczytywanie odcisków palców atomów

Każy pierwiastek chemiczny emituje unikalny wzór linii spektralnych, trochę jak kod kreskowy. Za każdą linią stoi przejście między dwoma poziomami energetycznymi wewnątrz atomu. Dla ciężkich pierwiastków, zwłaszcza tych o złożonych konfiguracjach elektronowych, może istnieć tysiące takich poziomów. Dokładne określenie ich energii i powiązanych własności nazywa się analizą termów i jest kluczowe dla dziedzin od projektowania oświetlenia i obróbki metali po badania jądrowe, produkcję izotopów medycznych, energię syntezy oraz astronomię. W szczególności astronomowie polegają na precyzyjnych danych atomowych, by rozumieć, jakie pierwiastki występują w gwiazdach i w egzotycznych zdarzeniach, takich jak zlewanie się gwiazd neutronowych.

Wąskie gardło w danych atomowych

Nowoczesne instrumenty mogą zarejestrować dziesiątki tysięcy linii spektralnych dla jednego pierwiastka w ciągu kilku tygodni, a teoria potrafi dość szybko przewidzieć wzory poziomów. Powolnym krokiem jest przekształcenie wszystkich tych pomiarów w spójny zestaw precyzyjnych poziomów energetycznych. Eksperci muszą zdecydować, które zaobserwowane linie odpowiadają którym teoretycznym przejściom, a następnie dopracować energie poziomów, aż zgodzą się z danymi. Dla niektórych jonów kobaltu i neodymu, które rozważa autorzy, historycznie oznaczało to lata szczegółowej pracy na pierwiastek. Pomimo dekad wysiłków wiele poziomów dla cięższych pierwiastków pozostaje nieznanych, a czysto teoretyczne obliczenia nie są jeszcze samodzielnie wystarczająco dokładne do zastosowań wymagających wysokiej precyzji.

Nauczanie AI analizy termów

Autorzy przekształcili analizę termów w problem podejmowania decyzji krok po kroku, którego komputer może się nauczyć rozwiązywać. Reprezentują wszystkie znane i przewidywane poziomy energetyczne jako punkty w grafie, z krawędziami między nimi reprezentującymi dozwolone emisje światła. Stan systemu obejmuje zarówno potwierdzone eksperymentalnie informacje, jak i teoretyczne przypuszczenia. W każdym kroku sztuczny agent najpierw wybiera nieznany poziom, na którym się skupić, a następnie wybiera kombinację zaobserwowanych linii spektralnych, która najbardziej spójnie ustala energię tego poziomu. Ten dwustopniowy ruch stopniowo rozszerza zbiór zaufanych poziomów. Agent uczy się strategii przez wzmocnione uczenie, gdzie dobre decyzje są nagradzane, a złe zniechęcane, używając sieci neuronowej opartej na grafie, by zrozumieć sieć możliwych powiązań.

Nauka na podstawie wyborów ludzkich

Aby ukierunkować AI na decyzje odzwierciedlające osąd ekspertów, badacze trenują też część jej systemu nagrody na podstawie wcześniejszych analiz ludzkich. Wyodrębniają przykłady tego, jak doświadczeni spektroskopiści wybierali między konkurującymi dopasowaniami linii, i używają oddzielnej sieci neuronowej do imitowania tych preferencji. Ta nauczona miara nagrody ocenia, jak przekonujący wydaje się nowy poziom, biorąc pod uwagę czynniki takie jak zgodność natężeń i energii linii z oczekiwaniami oraz ile niezależnych linii wspiera tę samą wartość energii. Agent wzmocnionego uczenia następnie poszukuje sekwencji wyborów maksymalizujących to zaufanie, efektywnie eksplorując wiele prób analizy znacznie szybciej niż człowiek.

Co osiągnęła AI

Zespół przetestował swoją metodę na trzech przykładowych jonach: jednonapiętym kobalcie i dwóch stanach jonizowanego neodymu, używając rzeczywistych widm wysokiej rozdzielczości oraz realistycznych danych teoretycznych. Dla każdego przypadku zasymulowali sytuację w połowie ludzkiej analizy i poprosili AI o jej kontynuację. Ich system, nazwany TAG DQN, określił setki dodatkowych poziomów energetycznych w ciągu kilku godzin. Dla kobaltu jego wyniki zgadzały się z opublikowanymi wartościami w około 95 procentach, a dla dwóch przypadków neodymu zgodność wahała się od nieco ponad połowy do niemal dziewięćdziesięciu procent, w zależności od dokładności początkowej teorii. W porównaniu bezpośrednim z bardziej tradycyjnymi strategiami przeszukiwania agent oparty na uczeniu zwykle dorównywał lub przewyższał je pod względem liczby znalezionych poprawnych poziomów.

Implikacje dla przyszłej nauki

Dla badaczy zależnych od precyzyjnych danych atomowych praca ta sugeruje, że dużą część najnudniejszej części analizy termów można powierzyć maszynom, podczas gdy ludzie skupią się na weryfikacji trudnych przypadków i dopracowywaniu podstawowej fizyki. Metoda nie zastępuje osądu eksperckiego i nadal opiera się na obliczeniach teoretycznych, ale potrafi szybko generować wysokiej jakości kandydackie schematy poziomów, które w innym wypadku zajęłyby miesiące lub lata do zebrania. W miarę jak podobne narzędzia będą rozwijane i ulepszane, mogą pomóc w utrzymaniu baz danych atomowych w zgodzie z rosnącym zapotrzebowaniem obserwacyjnym oraz stanowić szerszy przykład, jak sztuczna inteligencja może wspierać inne złożone, oparte na danych obszary nauki.

Cytowanie: 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

Słowa kluczowe: widma atomowe, poziomy energetyczne, wzmocnione uczenie, sieć neuronowa grafowa, diagnostyka plazmy