基于贝叶斯机器学习的完整基限制下无限核物质耦合簇计算
核理论
2024-12-31 v3
摘要
无限核物质为我们提供了关于核系统行为的宝贵见解，帮助我们理解原子核和大型天体对象，如中子星的行为。然而，由于收敛系统结合能所需的大基数，规模扩展的方法如耦合簇理论在即使使用国家最大的高性能计算设施的情况下也面临漫长的计算运行时间。这项研究引入了一种新方法。我们提出使用机器学习方法来预测在完整基限制下无限物质系统的耦合簇能量，仅使用较小的基集收集的数据。这一方法有望以显著缩短的运行时间提供高精度结果。基于高斯过程的序列回归外推 (SRE) 算法被创建来执行这些外推。通过将贝叶斯机器学习与一种独特的训练数据格式化方法结合，我们可以创建一个强大的外推器，只需很少的数据即可进行准确预测。SRE 算法成功预测了纯中子物质在六个核饱和密度附近的 CCD(T) 能量，平均误差为 0.0083 MeV/N。该算法对对称核物质的平均误差为 0.038 MeV/A。以 83.8 节点小时节省纯中子物质，284 节点小时节省对称核物质。此外，与传统在没有 SRE 算法的情况下进行的收敛耦合簇计算相比，SRE 算法在这六个密度处预测的对称能平均误差为 0.031 MeV/A，总节省 368 节点小时。
引用
@article{arxiv.2409.18234,
title = {Coupled-Cluster Calculations of Infinite Nuclear Matter in the Complete Basis Limit Using Bayesian Machine Learning},
author = {Julie Butler and Morten Hjorth-Jensen and Gustav R. Jansen},
journal= {arXiv preprint arXiv:2409.18234},
year = {2024}
}