核物理学の実験データ解析において、中性子透過スペクトルから共鳴現象を自動的に検出する新たな機械学習手法が開発されている。従来、このような複雑でノイズの多いデータ分析には、物理学者が手作業で調整する必要があるR-Matrix解析コードが用いられてきた。これらの従来手法は先行する理論評価に大きく依存し、膨大な手動作業が必要とされてきたため、実験後の処理に時間と偏見が生じていた。 今回の研究では、完全畳み込みニューラルネットワーク（fully convolutional neural network）を活用して、7つの透過スペクトル（評価済み2件、実験データ5件）において、各データポイントが共鳴領域か非共鳴領域かを自動的に分類する手法を提案している。開発されたモデルは約93%の分類精度を達成しており、一見すると優れた性能を示しているように見える。しかし詳細な分析を進めた結果、この精度指標は実際の汎化性能を過大評価していることが判明した。 より大きく多様なトレーニングデータセットを用いることで汎化可能なモデルが実現できるかどうか、また中性子共鳴の既知の物理特性を組み込むことでモデル性能を向上させることができるかが、今後の課題として浮かび上がっている。本研究は従来的な手法の自動化と効率化の可能性を示す一方で、未見のアイソトープへの信頼性の高い適用には、さらなる工夫が必要であることを明らかにしている。