吉林大學研究團隊開發出深度神經網路（DNN）模型，能以極高精確度預測原子核電荷密度分布，較傳統方法將誤差降低逾五成。該「物理資訊驅動」模型結合理論與實驗數據，在測試中展現優異效能。此突破有助於精進原子光譜計算、核物理研究及探索超越標準模型物理學的可能，凸顯AI在基礎科學探究的巨大潛力。
吉林大學研究團隊已成功開發一套深度神經網路（DNN）模型，能以極高精確度預測原子核的電荷密度分布，這項技術突破將為核物理及基礎科學研究帶來重大進展。
這項結合數據驅動與「物理資訊驅動」的新型研究範式，整合了來自1,014個原子核的實驗電荷半徑數據。相較於傳統方法，該DNN模型將電荷半徑預測的均方根誤差（RMSE）降低逾五成。在鎳、鈀、汞、鉍等同位素的測試中，該模型在電荷半徑預測方面實現了僅0.0149飛米的均方根誤差，顯示其卓越的預測能力。
該團隊提出一種結合兩階段優化的「物理資訊驅動」訓練策略。模型初期根據相對論連續體哈特里-博戈柳博夫理論（RCHB）預測傅立葉-貝塞爾係數，隨後再透過實驗電荷半徑數據進行精細調整。它以質子數、中子數、與幻數的距離及配對參數作為輸入，輸出17個傅立葉-貝塞爾係數，用以描述電荷密度分布。研究結果顯示，該模型在預測鉻和鋅等原子核的中心密度及尾部結構方面，表現優於傳統方法。
這項精確的核電荷密度分布預測能力，對於精進原子光譜計算、限制核物質狀態方程式參數、為極端天體物理環境中的核反應網路提供關鍵輸入，以及為量子電動力學測試、基本常數的測定，甚至超越標準模型物理學的探索，皆提供重要基礎。
該研究計畫主持人李建教授表示，透過將物理機制與機器學習深度結合，不僅提升了核電荷密度預測的準確性，也為核物理、原子物理乃至基礎物理研究奠定了可靠的數據基礎。他指出，這項工作展現了人工智慧在基礎科學探究中的巨大潛力，未來團隊將持續推動其應用於更廣泛的核結構問題。吉林大學研究團隊計劃未來進一步完善模型架構，擴展其應用範圍至更廣泛的原子核區域，並納入更多實驗數據。