星际分子碰撞速率不再只靠量子计算：神经网络把18个体系补到500 K，还能猜没算过的CS和CF+

星际分子谱线的非局域热动平衡分析需要态-态碰撞速率系数，而已有速率系数数据集的体系只占已探测350个分子的大约三分之一，且通常截断在低初始态和低温度。 传统上速率系数由密耦合量子动力学计算得到，初始转动态越高所需的转动基组越大，计算越昂贵，因此许多体系只有最初几个转动态和低温的数据。 在BASECOL数据库提取的24个线性分子与仲氢碰撞的退激发速率系数上，以初始态90%为边界时，测试集99.4%的跃迁预测落在参考值2倍以内，均方根误差0.07，最大偏差不超过4.7倍。

两个方案分别处理两类缺口：一个把已算过的分子推向更高初始态和温度，另一个只凭分子性质估计从未算过的分子。 此前的机器学习多用于填补已有散射计算体系的空缺或改进近似计算精度，需要目标分子的势能面或部分散射信息。 方案一用10个神经网络在低初始态、低温度数据上训练，把18个体系的数据补到500 K和初始态能量696 cm-1；方案二在22个体系上训练，对完全排除的CS和CF+，CF+有99.47%、CS有92.05%的跃迁预测落在参考值3倍以内。

这套模型面向线性分子与仲氢的转动碰撞，训练数据取自BASECOL数据库，方案一在初始态90%边界下把18个体系补到500 K和初始态能量696 cm-1，方案二对CS和CF+给出首次估计。方案二预测的速率系数被放入RADEX，在均匀球几何、背景温度2.73 K、固定柱密度和线宽下计算谱线比，用于判断这些估计在密度诊断中的表现。作者提出，把方法扩展到其他碰撞体和目标类型是自然的后续方向。

方案二受限于线性分子与仲氢，体系描述特征只有22种不同组合，向特征空间覆盖范围之外的分子外推尚未检验。CS的速率系数跨度比CF+大约四个数量级，更多跃迁落在训练数据最稀疏的小速率区，因此CF+更好的表现需要带着这一条件看。方案二在RADEX中的偏差随体系而变，作者把它定位为合理的第一估计。