Как нейросеть находит ошибки в учебниках физики ✎ экспресс

Оригинал: "Machine Learning Insights into Discrepancies Between Theoretical and Experimental Fission Barrier Heights"
· Kun Ratha Kean, Yoritaka Iwata
arXiv:2604.16996 · 2026-04-18 · arXiv non-exclusive · собственный разбор · 1 мин
Машинное обучение выявило слабые места формул, предсказывающих прочность атомных ядер.

📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить.

Ядро урана напоминает тугой кошелёк, защёлкнутый на две половинки. Чтобы он лопнул и высвободил энергию — то есть чтобы ядро разделилось, — нужно перевалить через энергетический барьер. Высота этого порога определяет, стабильно вещество или готово распасться в любой момент. Физики десятилетиями вычисляли её по формулам, но для самых капризных ядер — сильно вытянутых, с необычным числом частиц — расчёты врали.

В новой работе алгоритм машинного обучения выступил в роли дотошного корректора. Ему скормили сотни экспериментальных замеров и попросили подправить предсказания модели ETFSI — одного из стандартных теоретических подходов. Алгоритм XGBoost учился на ошибках, как ученик, сверяющий ответы с решебником, и в итоге стал ошибаться всего на 0,3–1,2 МэВ. Для сравнения: типичная энергия связи одной частицы в ядре — около 8 МэВ.

Самое интересное — алгоритм не просто «подогнал» цифры, а высветил физическую логику. Внутренний барьер, тот что ближе к центру ядра, сильнее зависит от энергии связи и числа нейтронов — то есть от того, как крепко сидят частицы. Внешний барьер, наоборот, управляется в основном числом протонов: чем их больше, тем сильнее они расталкивают друг друга, и ядру легче развалиться. Именно это и предсказывает теория кулоновского отталкивания.

Так машинный взгляд превратился в лупу, сквозь которую видны трещины в старых формулах. Теперь физики знают, куда смотреть, чтобы улучшить расчёты — и, возможно, точнее описать, как рождаются тяжёлые элементы в звёздных взрывах.

Энергия деления одного ядра урана — около 200 МэВ. Если бы удалось расщепить все ядра в одном грамме урана-235, выделилось бы столько же тепла, сколько от сгорания 2,5 тонн угля.

Учёные
George GamowLeo Esaki
Понятия
xgboost обучение ошибка предсказания скорость обучения устойчивое машинное обучение межатомный потенциал, обученный машинным обучением моделирование физики с помощью нейронных сетей языковая модель белков бустированное дерево решений регрессия нейронной сети порог ошибок точность предсказаний выбор модели оценка неопределённости обучающие данные случайный лес параметр фемтометр самокоррекция ИИ переобучение