Accelerating Atomic Fine Structure Determination with Graph Reinforcement Learning

📄 arXiv: 2509.16184v1 📥 PDF

作者: M. Ding, V. -A. Darvariu, A. N. Ryabtsev, N. Hawes, J. C. Pickering

分类: physics.atom-ph, cs.AI, cs.LG

发布日期: 2025-09-19

💡 一句话要点

提出基于图强化学习的原子精细结构确定加速方法，提升等离子体诊断效率。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 原子光谱分析 精细结构 图强化学习 马尔可夫决策过程 等离子体诊断

📋 核心要点

  1. 现有原子光谱分析确定原子精细结构能级能量耗时巨大，难以满足天文和聚变科学的需求。
  2. 论文将原子光谱分析建模为马尔可夫决策过程，并使用图强化学习自动求解，加速分析过程。
  3. 实验结果表明，该方法在Co II和Nd II-III数据集上能快速计算出大量能级能量，且与已发表结果高度一致。

📝 摘要（中文）

原子光谱分析获得的原子数据对等离子体诊断至关重要。对于每个低电离度的开d和f亚层原子种类，通过对数万条可观测谱线的多年分析，可以确定约10³个精细结构能级能量。我们提出将分析过程建模为马尔可夫决策过程，并使用图强化学习解决该问题，其中奖励函数基于历史人工决策学习。在Co II和Nd II-III的现有谱线列表和理论计算的评估中，在数小时内计算出数百个能级能量，与已发表的Co II结果的95%和Nd II-III结果的54-87%一致。由于目前原子精细结构确定的效率难以满足天文和聚变科学日益增长的原子数据需求，我们的人工智能方法为弥合这一差距奠定了基础。

🔬 方法详解

问题定义：论文旨在解决原子精细结构能级能量确定问题。现有方法依赖于人工分析大量的原子光谱数据，过程耗时且效率低下，无法满足快速增长的原子数据需求，尤其是在天文和聚变研究领域。现有方法的痛点在于缺乏自动化和智能化的分析工具，导致分析周期长，成本高。

核心思路：论文的核心思路是将原子光谱分析过程建模为一个马尔可夫决策过程（MDP），并利用图强化学习（GRL）来寻找最优策略。通过学习历史人工决策数据，训练一个能够自动选择谱线并确定能级能量的智能体。这种方法的核心在于将专家知识融入到强化学习过程中，从而加速学习并提高准确性。

技术框架：整体框架包含以下几个主要模块：1) 数据预处理：对原子光谱数据进行清洗和整理，构建图结构，其中节点表示能级，边表示谱线。2) 图强化学习智能体：使用图神经网络（GNN）作为策略网络，学习在图结构上选择谱线和更新能级能量的策略。3) 奖励函数设计：基于历史人工决策数据，设计奖励函数，鼓励智能体选择与专家决策一致的谱线和能级能量。4) 训练过程：通过强化学习算法（如Actor-Critic）训练智能体，使其能够自动完成原子精细结构确定任务。

关键创新：论文的关键创新在于将图强化学习应用于原子精细结构确定问题。与传统的原子光谱分析方法相比，该方法能够自动学习和优化分析策略，显著提高了分析效率和准确性。此外，使用图神经网络处理原子能级和谱线之间的复杂关系，能够更好地捕捉原子结构的内在特征。利用历史人工决策数据学习奖励函数，有效地将专家知识融入到强化学习过程中，加速了学习过程。

关键设计：论文的关键设计包括：1) 图结构的构建：将原子能级和谱线表示为图的节点和边，利用图神经网络处理原子结构信息。2) 奖励函数的设计：基于历史人工决策数据，设计奖励函数，鼓励智能体选择与专家决策一致的谱线和能级能量。奖励函数可能包含多个组成部分，例如，与已知能级能量的偏差、谱线强度等。3) 图神经网络结构：选择合适的图神经网络结构，例如图卷积网络（GCN）或图注意力网络（GAT），以有效地学习图结构上的特征表示。4) 强化学习算法：选择合适的强化学习算法，例如Actor-Critic算法，以训练智能体。

📊 实验亮点

实验结果表明，该方法在Co II数据集上，能在数小时内计算出数百个能级能量，与已发表结果的95%一致。在Nd II-III数据集上，与已发表结果的一致性达到54-87%。这表明该方法能够显著提高原子精细结构确定的效率和准确性，为相关领域的研究提供了有力的工具。

🎯 应用场景

该研究成果可广泛应用于天文学和聚变科学等领域。在天文学中，可以利用该方法快速分析恒星光谱，确定恒星的元素组成和物理参数。在聚变科学中，可以用于诊断等离子体状态，优化聚变反应条件。此外，该方法还可以推广到其他需要分析复杂光谱数据的领域，例如材料科学和化学分析。

📄 摘要（原文）

Atomic data determined by analysis of observed atomic spectra are essential for plasma diagnostics. For each low-ionisation open d- and f-subshell atomic species, around $10^3$ fine structure level energies can be determined through years of analysis of $10^4$ observable spectral lines. We propose the automation of this task by casting the analysis procedure as a Markov decision process and solving it by graph reinforcement learning using reward functions learned on historical human decisions. In our evaluations on existing spectral line lists and theoretical calculations for Co II and Nd II-III, hundreds of level energies were computed within hours, agreeing with published values in 95% of cases for Co II and 54-87% for Nd II-III. As the current efficiency in atomic fine structure determination struggles to meet growing atomic data demands from astronomy and fusion science, our new artificial intelligence approach sets the stage for closing this gap.