原子核是物质的一个非常重要的层次，它由质子和中子组成。上世纪三十年代，科学家们就已经发现当质子或中子数为2、8、20、28、50、82、126 时，原子核会表现出相对稳定的性质，因此这些数字被称为“幻数”。幻数的存在被认为是原子核具有壳层结构的直接证据，对核物理的研究产生了深远的影响。
然而，随着对滴线附近核素性质研究的不断深入，科学家们发现幻数并不是一成不变的。传统幻数是否在远离稳定线的原子核中依然存在?是否有新幻数出现?这些前沿科学问题直接影响着人们对原子核的认知，甚至关联着新物理现象，是当今核物理研究的热点。尤其是远离稳定线的“双幻核”氧-28和锡-100中的传统幻数是否会发生变化，是当前幻数演化研究的焦点之一。
目前，机器学习被广泛应用于各个领域。在物理学研究中，已经发现它在多个方面的表现优于传统的理论物理模型。原子核第一激发态的能量以及其跃迁到基态的电磁跃迁几率是幻数的重要判据。因此，研究人员提出利用先进的机器学习算法研究原子核的低位激发态能量和电磁跃迁几率,从而解密原子核的幻数演化。
在该研究中，研究人员考虑了多个原子核的特征量,针对核素图上所有质子数和中子数都是偶数的原子核，高精度重现了其低位激发态跃迁到基态的电磁跃迁几率的实验数据。研究显示，机器学习的准确度高于迄今为止所有的核结构模型和其它机器学习算法的结果。
得益于机器学习对已有复杂实验数据的高精度解析和其强大的外推能力，研究人员发现氧-28中第一激发态的能量和电磁跃迁几率都指向传统中子幻数20消失，这与2023年《自然》杂志报道的结论一致。研究人员发现锡-100中传统幻数50依旧保持。
研究团队还对原子核特征量进行了细致分析，发现部分特征量对机器学习模型进行准确预测具有重要影响，这对人们深入理解低位激发态能量、电磁跃迁几率和发展新的理论模型都有一定帮助。此次研究成果也为未来在我国强流重离子加速器装置(HIAF)开展相关实验提供了指导与参考。
图：机器学习方法得到的核素图上所有偶偶核的第一激发态能量分布图。(图/李志龙)
该研究得到了国家重点研发计划、国家自然科学基金、中法科研伙伴交流计划项目、中国科学院未来伙伴网络专项以及湖州师范学院计算中心的支持。
