支持向量机在核性质全局预测中的应用
核理论
2008-11-26 v1
摘要
统计学习理论的进展为发展具有显著预测能力的量子多体系统统计模型提供了机会。这种“弱理论”方法的潜力通过支持向量机(SVMs)在核素图上作为质子数和中子数与函数的核性质全局预测中的应用得以说明。基于结构风险最小化原理，SVMs从给定性质的现有数据库中学习，自动且最优地识别出对应于训练集中代表性核素的一组“支持向量”，并以这些核素表示映射。报告了核质量、β衰变寿命以及核基态自旋/宇称的结果。这些结果表明，SVM模型可以匹配甚至超越基于核现象学的最佳传统“强理论”全局模型的预测性能。
引用
@article{arxiv.nucl-th/0603037,
title = {Application Of Support Vector Machines To Global Prediction Of Nuclear Properties},
author = {John W. Clark and Haochen Li},
journal= {arXiv preprint arXiv:nucl-th/0603037},
year = {2008}
}
备注
15 pages, 1 figure, 13th International Conference on Recent Progress in Many-Body Theories QMBT13