基于物理保证的神经网络方法构建核协变能量密度泛函

密度泛函理论是利用现有计算资源求解量子多体问题的实用方法。核力的复杂性使得构建精确的核能量密度泛函更具挑战性。我们证明了利用深度神经网络构建核协变能量密度泛函的可行性。这种物理保证的神经网络方法在预测核能量密度方面实现了高精度，并且在结合能方面表现出比传统机器学习方法显著更好的外推能力。当与现有协变密度泛函结合时，神经网络方法将已知区域的结合能精度从$644$ keV提高到$86$ keV，并有效捕捉了微观壳效应。此外，其外推性能也显著增强，即使外推多达$30$步，也能达到约$5$ MeV的精度。这项工作为通过机器学习构建精确的核能量密度泛函铺平了道路。