基于机器学习方法的原子核基态质量贝叶斯平均
核理论
2023-04-19 v1 太阳与恒星天体物理
摘要
我们基于一种新颖的机器学习（ML）算法给出原子核基态质量的全局预测。我们将精确的核实验测量与未测核的理论预测相结合，该混合数据集用于训练一个概率神经网络。除在此数据上训练外，还采用基于物理的损失函数来辅助精炼解。所得的贝叶斯平均预测相较测试集表现优异，并带有被当代科学应用所关键需要的良好量化不确定性。我们评估了模型预测的外推，并估计了远离测量区域不确定性的增长。
引用
@article{arxiv.2304.08546,
title = {Bayesian averaging for ground state masses of atomic nuclei in a Machine Learning approach},
author = {M. R. Mumpower and M. Li and T. M. Sprouse and B. S. Meyer and A. E. Lovell and A. T. Mohan},
journal= {arXiv preprint arXiv:2304.08546},
year = {2023}
}
备注
15 pages, 10 figures, comments welcome