W prestiżowym czasopiśmie Physical Review Letters ukazała się praca zespołu z Instytutu Fizyki Teoretycznej UWr pt. Electron-Nucleus Cross Sections from Transfer Learning. Pracami zespołu kierował prof. Krzysztof Graczyk. Autorzy pokazali, że metody sztucznej inteligencji, w szczególności uczenie transferowe, mogą być skutecznie wykorzystywane do opisu oddziaływań elektronów z jądrami atomowymi.

W badaniu głęboka sieć neuronowa została wytrenowana na danych z pomiarów rozpraszania elektronów na jądrze węgla, a następnie dostosowana do przewidywania przekrojów czynnych dla innych jąder — od helu-3 po żelazo. Istotnym wynikiem pracy jest to, że model zachowuje wysoką dokładność także przy ograniczonej liczbie danych dla nowych układów. Dowodzi to, że model bazowy zawiera reprezentację kodującą podstawowe własności materii jądrowej.

Uzyskane rezultaty otwierają nowe możliwości zastosowania narzędzi AI w fizyce jądrowej, zwłaszcza tam, gdzie dane eksperymentalne są niepełne. Praca ma również znaczenie dla rozwijania modeli oddziaływań neutrin z materią, istotnych dla eksperymentów badających fundamentalne własności Wszechświata.

Źródło:
K. M. Graczyk, B. E. Kowal, A. M. Ankowski, R. D. Banerjee, J. L. Bonilla, H. Prasad, J. T. Sobczyk, Electron-Nucleus Cross Sections from Transfer Learning, Physical Review Letters135(5), 052502 (2025), opublikowano 1 sierpnia 2025 r.