核模型的DNA：人工智能如何预测原子核质量

获得原子核质量（或等效的核结合能$E_b$）的高精度预测仍然是核物理研究中的一个重要目标。最近，许多基于人工智能的工具在此任务上显示出有希望的结果，有些甚至达到了超越最佳物理模型的精度。然而，这些AI模型的实用性仍然存疑，因为预测仅在测量不存在的地方才有用，这本质上需要远离训练（和测试）样本进行外推。由于AI模型在很大程度上是黑箱，这种外推的可靠性难以评估。我们提出了一个AI模型，它不仅实现了$E_b$的尖端精度，而且以可解释的方式做到了这一点。例如，我们发现（并解释了为什么）其内部表示最重要的维度形成了一个双螺旋结构，其中类似于DNA中氢键的对应物，连接着每个同位素链中最稳定原子核的质子数和中子数。此外，我们表明$E_b$的AI预测可以被分解并分层排序，其中最重要的项对应于众所周知的符号模型（例如著名的液滴模型）。值得注意的是，AI模型相对于符号模型的改进几乎可以完全归因于Jaffe在1969年基于大多数已知核基态结构所做的一个观察。最终结果是一个完全可解释的、基于AI推导出的物理学的数据驱动核质量模型。