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 精细结构确定 图强化学习 马尔可夫决策过程 等离子体诊断

📋 核心要点

  1. 现有原子精细结构确定方法耗时且依赖人工，难以满足天文学和聚变科学对原子数据日益增长的需求。
  2. 论文将原子光谱分析过程建模为马尔可夫决策过程，并利用图强化学习自动确定原子精细结构能级能量。
  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，并与已发表值高度吻合。

📝 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亚壳层原子种类，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。我们提出了一种自动化该任务的方法，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它，奖励函数基于历史人工决策学习。在对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，对于Co II，与已发表值的吻合度为95％，对于Nd II-III，吻合度为54-87％。由于目前原子精细结构确定的效率难以满足天文学和聚变科学日益增长的原子数据需求，我们新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：论文旨在解决原子光谱分析中原子精细结构能级能量确定问题。现有方法主要依赖人工分析，耗时且效率低，难以满足快速增长的原子数据需求，尤其是在天文学和聚变科学领域。现有方法的痛点在于需要专家花费大量时间手动分析光谱数据，过程繁琐且容易出错。

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，从而自动确定原子精细结构能级能量。通过学习历史人工决策数据，训练奖励函数，引导智能体学习专家经验，加速搜索过程。

技术框架：整体框架包含以下几个主要模块：1) 状态表示：将原子光谱数据和已确定的能级能量编码为图结构；2) 动作选择：利用图神经网络（GNN）学习状态表示，并输出动作概率分布，选择下一个要分析的谱线或能级；3) 奖励函数：基于历史人工决策数据学习奖励函数，评估智能体选择的动作的质量；4) 强化学习：利用强化学习算法（如Policy Gradient）优化策略，最大化累积奖励。

关键创新：论文的关键创新在于将原子光谱分析问题转化为图强化学习问题，并利用历史人工决策数据学习奖励函数。这种方法能够有效地利用专家知识，加速学习过程，并提高能级能量确定的准确性。与传统方法相比，该方法无需人工干预，能够自动完成分析过程，大大提高了效率。

关键设计：论文中，图神经网络用于学习原子光谱数据的图表示，并预测动作概率分布。奖励函数的设计至关重要，它直接影响智能体的学习效果。论文利用历史人工决策数据，通过监督学习的方式训练奖励函数，使其能够准确评估动作的质量。具体的网络结构和参数设置在论文中进行了详细描述，但未在摘要中体现。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 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，与已发表值的吻合度高达95%。在Nd II-III数据集上，吻合度也达到了54-87%。这些结果表明，该方法能够有效地自动确定原子精细结构能级能量，并具有较高的准确性，显著优于传统的人工分析方法。

🎯 应用场景

该研究成果可广泛应用于天文学、聚变科学等领域，为等离子体诊断提供更快速、更准确的原子数据。通过自动化原子精细结构确定过程，可以加速新元素的分析和研究，推动相关领域的发展。此外，该方法还可以扩展到其他类似的科学数据分析任务中，具有重要的应用价值和潜力。

📄 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.