核束能预测的深度学习方法：RNN、GRU 与 LSTM 模型的比较研究
核理论
2025-03-26 v1
摘要
本研究探讨了应用深度学习模型——循环神经网络、门控循环单元和长短期记忆网络——用于预测核束能的可能性。我们利用来自原子质量评估（AME2020）的数据，纳入关键核结构特征，包括质子数和中子数，以及来自液滴模型和壳层效应的额外项。我们的比较分析表明，门控循环单元模型实现了最低的均方根误差（{\sigma}RMSE）为 0.326 MeV，超越了传统基于回归的方法。为了评估模型的可靠性，我们使用 GarveyKelson 关系进行验证，误差为 0.202 MeV，并进一步测试了在 WS、WS3 和 WS4 模型中的外推能力。外推分析确认了我们方法的鲁棒性，尤其是在预测靠近 dripline 核的束能方面。这些结果突显了深度学习在核 BE 预测中的有效性，凸显了其潜在的提高理论核模型准确性和可靠性的作用。
引用
@article{arxiv.2503.19348,
title = {Deep learning approaches for nuclear binding energy prediction: a comparative study of RNN, GRU and LSTM Models},
author = {Amir Jalili and Feng Pan and Ai Xi Chen and Jerry P. Draayer},
journal= {arXiv preprint arXiv:2503.19348},
year = {2025}
}