综述：机器学习与中低能核物理研究

近年来随着计算机性能的提高和大规模数据集的建立，机器学习领域再次取得了令人瞩目的进展，尤其是以深度神经网络为主的大规模模型实现了革命性的突破，一系列创新的模型和训练方法被提出。这些新模型和技术应用正在广泛地改变着我们的生活、工作和社会。无论是计算机视觉、自然语言处理、数据挖掘与评估、复杂系统控制，机器学习正持续推动各个领域的创新和进步。

图1. 物理研究建模与机器学习模型的结构对比

核物理学作为一个探究原子核基本性质的基础学科，其研究方法往往建立在严格的数学方程式之上。通常来说人们对于某一物理规律的研究，首先要建立一些必要的假设，然后基于这些假设进行严格的数学推理，从而得到一个自洽的物理模型。这样一个物理学的建模过程与机器学习的模型有着本质的不同。如图1所示，上半部分为物理学模型，下半部分为机器学习模型。我们不妨把物理学的约束和假设看作输入，把物理规律的观测看作输出。那么物理学模型的核心就是一系列严格的物理学公式。而机器学习模型的输入与输出之间的连接通常是一个所谓的黑盒子再加上一些随机噪声。

然而核物理学研究者正在把机器学习方法和核物理学这样两个截然不同的学科深刻的联系在一起。机器学习模型的大规模数据挖掘能力，复杂关联的表示能力等都吸引着越来越多的核物理学家们的关注。因此涌现出一系列基于机器学习方法的核物理学研究工作。

最近复旦大学马余刚、何万兵，湖州师范学院李庆峰，安徽大学牛中明，北京大学裴俊琛，中国原子能研究院张英逊共同撰写了一篇关于机器学习方法在中低能核物理研究中应用的综述文章，系统介绍了这一交叉研究领域的研究热点和发展潜力。发表在知名期刊《中国科学：物理学 力学 天文学》英文版（SCIENCE CHINA Physics, Mechanics & Astronomy, SCPMA）。

这篇文章从机器学习的基本理念和典型算法入手，梳理了不同的机器学习模型的算法和特点（如图2所示）。然后通过一些代表性的研究案例，展示了机器学习在该领域不同分支的应用。这些应用包括了原子核结构、核反应、核物质特性等方面的理论应用，以及事件识别和重建、复杂系统控制和固件性能等方面的实验应用。最后，文章对机器学习在中低能核物理交叉研究中的发展进行了总结和展望，展示了这一领域未来的潜力和发展方向。

图2. 中低能核物理研究中常用的机器学习方法