Bridging Ab Initio Symmetries and Global Nuclear Masses with Interpretable Neural Networks

技术摘要：通过可解释神经网络连接从头算对称性与全球核质量

问题陈述
虽然从头算（ab initio）核理论已确立了维格纳（Wigner）SU(4) 和埃利奥特（Elliott）SU(3) 对称性是轻核和中等质量核中的主导特征，但目前尚不清楚这些对称性是否在整个核图谱（包括靠近滴线区的奇异同位素）中都支配着核结合能。传统的机器学习（ML）方法在预测核质量时往往充当“黑盒”，仅捕捉模式而无法提供物理洞察。相反，传统的质量公式（如液滴模型）缺乏微观细节，难以实现高精度的质量预测。作者旨在通过开发利用对称性特征的可解释神经网络（NN）模型来弥补这一差距，以测试 SU(3) 和 SU(4) 对称性是否可以作为全球核系统性的支配原则，其优先级在于获取物理洞察而非仅仅进行高精度的基准测试。

研究方法
本研究采用了一个包含数据策展、特征工程和模型开发的三个阶段的方法论：

1. 数据收集与划分：

   • 从 AME2016 数据集中收集核质量（排除理论外推值），并将其划分为训练集（1908 个核，占 80%）和测试集（478 个核，占 20%）。
   • AME2020 数据集提供了由该版本首次报告的 71 个核组成的验证集，作为向未见过的（通常是奇异的）核进行外推的基准。
   • 排除了轻核（$Z < 8, N < 8$）。

2. 受对称性启发的特征工程：
   模型利用了九个物理启发式特征，分为三类：

   • 液滴模型（LDM）特征： 质子数（$Z$）、中子数（$N$）、表面项代理（$A^{2/3}$）以及同位旋投影（$T_z = (N-Z)/2$）。
   • SU(4) 特征： 第二阶（$C_2$）、第三阶（$C_3$）和第四阶（$C_4$）卡西米尔算符（Casimir operators）。这些算符描述了自旋-同位旋极化力。作者假设，在轻核的从头算计算中识别出的具有最低 $C_2$ 值的占主导地位的不可约表示（irrep），可以延伸至整个核图谱。
   • SU(3) 特征： 总谐振子量子数（$N\hbar\omega$）以及 SU(3) 群的第二阶（$C_2$）和第三阶（$C_3$）卡西米尔算符，这些算符编码了四极集体性和形变。
   • 特征选择： 使用最大信息系数（MIC）进行的关联分析显示，三次 SU(4) 卡西米尔算符（$C_3$）与其他特征的相关性较弱，且在奇质量核之间表现出符号波动。因此，$C_3$[SU(4)] 被排除在最终模型之外，作为无关特征。

3. 神经网络架构：
   构建了三种不同的模型：

   • FINN（特征启发神经网络）： 标准的单输出神经网络，将特征直接映射到结合能（BE）。它使用均方误差（MSE）损失函数和物理启发的加维-凯尔森（Garvey-Kelson, GK）正则化项。
   • GINN（高斯启发神经网络）： 双输出神经网络，同时预测平均结合能（$\mu_{BE}$）和不确定度（$\sigma_{BE}$）。它采用负对数似然（NLL）损失来量化不确定性。
   • WINN（维格纳启发神经网络）： 一种可解释的双线性质量公式，其耦合强度由神经网络学习。公式定义为：
     $$BE = a + bZ^2 + cT_z^2 + dN\hbar\omega + eC_2[\text{SU(3)}] + fC_3[\text{SU(3)}] + gC_2[\text{SU(4)}] + hC_4[\text{SU(4)}]$$
     在此，系数 $\{a, \dots, h\}$ 是由网络学习的 $N$ 和 $Z$ 的函数，允许模型根据核景观调整对称性贡献。

主要结果

• 性能指标：
  • LDM 基准模型的验证均方根误差（RMSE）为 1.270 MeV（FINN）。
  • 仅添加 SU(4) 特征就将验证 RMSE 降低至 1.024 MeV，证明了维格纳对称性在体性质之外携带了预测信息。
  • 结合 LDM、SU(4) 和 SU(3) 特征的黑盒模型表现最佳：FINN 为 0.624 MeV，GINN 为 0.793 MeV。
  • WINN 实现了最低的验证 RMSE，达到 0.430 MeV，优于 FINN 和 GINN。尽管仅使用了八个对称性驱动项，该结果仍具有与最先进质量模型竞争的实力。
• 外推能力：
  • 在与已知区域外围的核（针对 WS3 和 HFB-26 模型）进行比较时，对于位于已知区域中子数 5 以内的核，WINN 显示出良好的符合度（误差在 5 MeV 以内）。
  • 误差随远离已知图谱的距离增加而系统性增大，反映了紧凑型八项模型进行外推的固有极限。
• 物理洞察：
  • SU(4) 恢复： 二次 SU(4) 卡西米尔算符（$C_2$）在靠近中子滴线区（$Z \approx 8-60$）表现出显著增强（贡献了 10–40% 的结合能），标志着由于自旋-轨道分裂受抑导致的维格纳对称性的恢复。
  • 超重区： 四次 SU(4) 卡西米尔算符（$C_4$）在超重区（$N \gtrsim 126$）获得了显著强度，与 $C_2$ 相当，这可能与 $\alpha$ 系统性的主导地位有关。
  • 配对效应： 该模型成功捕捉到了配对效应，而无需显式的配对项，这可以通过残差中不存在系统性的符号反转或奇偶交替得到证实。
  • 激活函数： 研究发现，分段线性激活函数（ReLU, PReLU）在重现壳层闭合处两中子分离能（$S_{2n}$）的剧烈下降方面优于平滑函数（Tanh, SiLU）。

意义与主张
本文声称，将物理对称性直接嵌入神经网络架构（如 WINN）比将其仅视为输入特征更为有效。其主要意义不在于绝对的质量预测精度，而在于获得的物理洞察：

1. 验证对称性： 结果提供了证据，表明维格纳 SU(4) 和埃利奥特 SU(3) 对称性不仅限于轻核，而是作为包括奇异同位素在内的整个核图谱的支配原则。
2. 可解释性： 与标准机器学习模型不同，WINN 揭示了对称性如何影响不同区域的结合能（例如，滴线区附近 SU(4) 的增强）。
3. 涌现原则： 这项工作将涌现对称性从单个核的描述符提升为理解全球核系统性的框架。
4. 未来方向： 作者建议，虽然目前的对称性基底是紧凑且有效的，但未来的工作可以扩展到其他观测物理量（如 $\beta$ 衰变），或通过改进不可约表示的选择，或利用神经网络吸收与对称性破缺相关的非线性性的能力，来处理对称性破缺问题。