Ускорение определения тонкой структуры атомов с помощью графового обучения с подкреплением

Почему это исследование важно

Когда учёные изучают свет звёзд, термоядерных плазм или промышленных ламп, они видят тысячи тонких цветных линий. Каждая линия содержит информацию о внутреннем строении атома, но восстановление этой скрытой структуры вручную может занять у экспертов много лет. В этом исследовании показано, как современные методы искусственного интеллекта могут взять на себя большую часть этой работы, превращая месяцы или даже десятилетия ручного труда в процесс, который выполняется за часы, при этом сохраняя точность, необходимую для реальных научных задач.

Чтение «отпечатков» атомов

Каждый химический элемент даёт уникальный узор спектральных линий, похожий на штрихкод. За каждой линией стоит переход между двумя уровнями энергии внутри атома. Для тяжёлых элементов, особенно с более сложным распределением электронов, таких уровней может быть тысячи. Тщательное определение их энергий и связанных свойств называется терминальным анализом (term analysis), и оно важно для областей от проектирования освещения и обработки металлов до ядерных исследований, производства медицинских изотопов, термоядерной энергетики и астрономии. В частности, астрономы полагаются на точные атомные данные, чтобы понять, какие элементы присутствуют в звёздах и в экзотических событиях, таких как слияния нейтронных звёзд.

Узкое место в получении атомных данных

Современные приборы могут зарегистрировать десятки тысяч спектральных линий для одного элемента за недели, а теория может достаточно быстро предсказывать схемы уровней. Медленным этапом остаётся преобразование всех этих измерений в согласованный набор точных энергетических уровней. Эксперты должны решить, какие наблюдаемые линии соответствуют каким теоретическим переходам, а затем уточнить энергии уровней до согласия с данными. Для некоторых ионов кобальта и неодима, которые рассмотрели авторы, это исторически означало годы детальной работы на каждый элемент. Несмотря на десятилетия усилий, многие уровни для тяжёлых элементов остаются неизвестными, а чисто теоретические расчёты пока недостаточно точны для высокоточных приложений.

Обучение ИИ терминальному анализу

Авторы переформулировали терминальный анализ как поэтапную задачу принятия решений, которую может освоить компьютер. Они представляют все известные и предсказанные уровни энергии как точки в графе, а связи между ними обозначают допустимые световые переходы. Состояние системы включает как экспериментально подтверждённую информацию, так и теоретические предположения. На каждом шаге искусственный агент сначала выбирает неизвестный уровень, на котором сосредоточиться, а затем подбирает комбинацию наблюдаемых спектральных линий, которая наиболее последовательно фиксирует энергию этого уровня. Этот двухэтапный ход постепенно расширяет набор доверенных уровней. Агент вырабатывает стратегию через обучение с подкреплением, где хорошие решения вознаграждаются, а плохие — наказываются, используя графовую нейронную сеть для понимания сети возможных связей.

Обучение на выборе человека

Чтобы направить ИИ к решениям, сходным с экспертной оценкой, исследователи также обучают часть его функции вознаграждения на основе прошлых человеческих анализов. Они извлекают примеры того, как опытные спектроскописты выбирали между конкурирующими совпадениями линий, и используют отдельную нейросеть, чтобы имитировать эти предпочтения. Это обученное вознаграждение оценивает, насколько убедителен новый уровень, на основе факторов, таких как согласие интенсивностей и энергий линий с ожиданиями, и сколько независимых линий поддерживают одно и то же значение энергии. Агент обучения с подкреплением затем ищет последовательности решений, максимизирующие эту уверенность, эффективно исследуя множество пробных анализов гораздо быстрее, чем человек.

Что достиг ИИ

Команда протестировала свой метод на трёх образцах ионов: однозарядном кобальте и двух состояниях ионизованного неодима, используя реальные высокоразрешающие спектры и реалистичные теоретические входные данные. В каждом случае они моделировали ситуацию, находящуюся на середине человеческого анализа, и просили ИИ продолжить работу. Их система, названная TAG DQN, определила сотни дополнительных уровней энергии за считанные часы. Для кобальта её результаты совпали с опубликованными значениями примерно в 95% случаев, а для двух случаев неодима совпадение варьировалось от немного более половины до почти девяноста процентов, в зависимости от точности исходной теории. При сопоставлении с более традиционными стратегиями поиска обучаемый агент в целом сопоставлялся с ними по числу найденных правильных уровней или превосходил их.

Последствия для будущей науки

Для исследователей, которым нужны точные атомные данные, эта работа показывает, что значительную часть самой рутинной стороны терминального анализа можно поручить машинам, а людям оставить проверку сложных случаев и уточнение базовой физики. Метод не заменяет экспертную оценку и по‑прежнему опирается на теоретические расчёты, но он быстро генерирует высококачественные кандидаты на схемы уровней, сбор которых в противном случае занял бы месяцы или годы. По мере того как подобные инструменты будут развиваться и улучшаться, они смогут помочь актуализировать атомные базы данных в соответствии с растущими требованиями наблюдений и служат более широким примером того, как искусственный интеллект может помочь в других сложных, насыщенных данными областях науки.

Цитирование: 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

Ключевые слова: атомные спектры, энергетические уровни, обучение с подкреплением, графовые нейронные сети, плазменная диагностика