利用高斯过程与自编码器构建核密度泛函理论的代理模型

从最轻的氢同位素到最近合成的 Oganesson（Z=118），据估计自然界中可能存在多达约 3000 种原子核。其中大多数寿命过短而无法在地球上自然存在，但它们在超新星爆发或中子星并合等天体物理事件中扮演关键角色，这些事件被认为是宇宙中大多数重元素的起源。理解整个核素图中原子核的结构、反应与衰变是一项巨大挑战，原因在于实验上难以测量这些瞬态对象的相关性质，以及理论上和计算上模拟强相互作用量子多体系统存在困难。核密度泛函理论（DFT）是一个完全微观的理论框架，有望对核素图中每个原子核的核性质提供定量准确描述。借助高性能计算设施，它已成功用于预测核质量、如 $\beta$ 或 $\gamma$ 衰变等放射性衰变的全局规律，以及核裂变过程的若干方面（例如自发裂变半衰期）。然而，核谱学或核裂变的预测性模拟，或理论不确定度的量化及其向应用的传播，将需要比当前可行量多几个数量级的计算。但是，大部分计算工作量将耗费在生成合适的 DFT 波函数基上。此类任务有望通过借用在机器学习与人工智能领域的工具而大幅加速。本文中，我们综述了将监督与无监督学习技术应用于核 DFT 的不同途径。