用图强化学习加速原子精细结构确定

这项研究为何重要

当科学家观察恒星、聚变等离子体或工业灯具发出的光时，会看到数千条清晰的彩色谱线。每一条谱线都蕴含着原子结构的信息，但手工解析这些隐藏结构可能需要专家花费多年时间。本研究展示了现代人工智能如何承担大量这类工作，把数月甚至数十年的人工努力压缩为数小时，同时仍达到真实科学应用所需的精度。

读取原子的指纹

每种化学元素发出独特的谱线图案，有点像条形码。每条谱线对应原子内部两个能级之间的跃迁。对于电子排布更复杂的重元素，可能存在成千上万这样的能级。仔细确定它们的能量和相关性质被称为项（term）分析，这对从照明设计和金属加工到核研究、医用同位素生产、聚变能和天文学等领域都至关重要。特别是，天文学家依赖精确的原子数据来判断恒星以及中子星合并等特殊事件中存在哪些元素。

原子数据的瓶颈

现代仪器能在几周内记录单一元素的数万条谱线，理论也能相对快速地预测能级模式。但慢的环节是将这些测量结果转化为一致且精确的能级集合。专家们必须判断哪些观测到的谱线属于哪些理论跃迁，然后不断调整能级能量直到与数据一致。对于作者考虑的某些钴和钕离子，历史上每种元素的详细工作曾需数年时间。尽管经过数十年努力，许多重元素的能级仍未知，纯理论计算单独用于高精度应用尚不够准确。

教人工智能做项分析

作者将项分析重新表述为计算机可以学习求解的逐步决策问题。他们把所有已知和预测的能级表示为图中的点，点之间的连线代表允许的发光跃迁。系统状态包含已实验确认的信息和理论猜测。在每一步，人工智能代理首先选择一个未知能级作为关注对象，然后从观测谱线中挑选出最能一致确定该能级能量的组合。这个两阶段动作逐步扩展被信任的能级集合。代理通过强化学习学会策略，其中正确决策得到奖励、错误决策受到惩罚，并使用基于图的神经网络来理解可能连接的网络结构。

向人类选择学习

为了引导人工智能做出与专家判断相近的决策，研究人员还将其奖励系统的一部分基于过去的人类分析进行训练。他们提取了经验丰富的光谱学家在竞争谱线匹配中如何选择的示例，并使用独立的神经网络去模仿这些偏好。该学习到的奖励衡量一个新能级看起来有多可信，基于因素包括谱线强度和能量与预期的一致性，以及有多少独立谱线支持相同的能量值。强化学习代理随后搜索能最大化该置信度的决策序列，有效地以远快于人工的速度探索大量试验性分析。

人工智能取得的成果

研究团队在三个样例离子上测试了他们的方法：单离子化钴和两种态的离子化钕，使用实际的高分辨率光谱和现实的理论输入。针对每个情况，他们模拟了处于人工分析中途的情形并让人工智能扩展分析。该系统称为 TAG DQN，在数小时内确定了数百个额外的能级。对于钴，其结果与已发表值约有95%的吻合度；对于两种钕情况，吻合度在略高于一半到近90%之间，取决于起始理论的准确性。在与更传统搜索策略的直接比较中，基于学习的代理在找到正确能级的数量上通常能匹配或优于它们。

对未来科学的影响

对于依赖精确原子数据的研究者而言，这项工作表明项分析中最繁琐的部分可以交由机器处理，而人类可专注于核查难点并完善基础物理。该方法并不取代专家判断，仍依赖理论计算，但能快速生成高质量的候选能级方案，否则这些方案需要数月或数年才能组装完成。随着类似工具的扩展与改进，它们可帮助原子数据库跟上日益增长的观测需求，并为人工智能如何协助其他复杂、数据密集的科学领域提供广泛示例。

引用: 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

关键词: 原子光谱, 能级, 强化学习, 图神经网络, 等离子体诊断