核質量をAIで高精度予測、原子核物理に新手法

研究の概要

米ルイジアナ州立大学などの国際研究チームは、原子核の結合エネルギー（核質量）を高精度かつ解釈可能な形で予測するニューラルネットワーク（NN）モデル群を開発し、論文をarXivに公開した。

従来の液滴模型をベースラインとした場合、SU(4)対称性の演算子を入力特徴量として加えるだけで、訓練・テストデータの予測誤差（RMSE）を約半減させることに成功した。さらに同チームが開発した質量公式モデル「WINN（Wigner-Informed NN）」は、検証データに対してRMSE 0.430 MeVを達成した。これは最先端の核質量モデルと競合する水準であり、モデルの簡潔さを考慮すると顕著な成果である。

研究では三種類のモデルが構築された。

• FINN（Feature-Informed NN）：点推定に特化した基本モデル
• GINN（Gaussian-Informed NN）：予測値に不確実性の定量化を付加
• WINN：SU(3)・SU(4)カシミール演算子を基底として用いた解釈可能な質量公式

WINNの解析により、中性子ドリップライン付近ではウィグナー対称性が回復する傾向があること、また超重核領域では4次演算子の寄与が予想外に増大することが示された。これらの知見は、単なる予測精度の向上にとどまらず、核力の物理的理解を深めるものである。

ビジネスへの示唆

本研究の直接的な産業応用として最も期待されるのは、核医学・放射性医薬品の分野である。PET検査に用いるフッ素18や、がん治療に活用されるアクチニウム225などの放射性同位元素は、核質量データが崩壊エネルギーの正確な算出に不可欠である。製薬企業や医療機器メーカーの研究開発部門では、未知核種の質量を高精度かつ迅速に推定できれば、新規放射性薬剤の候補絞り込みにかかる実験コストとリードタイムを大幅に削減できる。

核燃料サイクルを担う原子力エネルギー企業にとっても影響は小さくない。燃焼計算や廃棄物管理において、核分裂生成物の質量・崩壊熱の予測精度はプラント安全評価の重要KPIである。特に次世代炉（SMRや高速炉）の設計では、実測データが乏しい核種の物性を計算で補う場面が多く、GINNのような不確実性定量化機能を持つモデルは、設計マージンの最適化にも寄与する。

さらに防衛・核不拡散の分野では、超重核の性質予測が核鑑識（ニュークリア・フォレンジクス）の精度向上に直結する。WINNが示した超重核領域における新たな物理的知見は、核物質の起源特定や検知技術の開発に従事する政府系研究機関や防衛関連企業にとっても注目すべき成果である。

今後の展望

研究チームはAME2016のデータで訓練し、AME2020の新規核種で検証するという厳格な外挿評価を採用しており、実用上の信頼性は一定程度担保されている。今後はAME2020以降に観測された核種への適用拡大や、β崩壊半減期・核分裂障壁などの関連物性量への手法展開が見込まれる。

解釈可能性を重視した設計思想は、ブラックボックス批判を受けやすい医療・規制産業へのAI導入において、審査当局への説明責任（アカウンタビリティ）確保という観点からも有利に働く。核物理データを扱うソフトウェアベンダーや研究機関向けサービス企業は、本アーキテクチャを自社ツールに組み込む動きを加速させる可能性がある。