从 $\alpha$ 衰变到簇衰变：迁移学习的一个极端案例
核理论
2026-03-31 v1
摘要
当训练数据有限时，数据驱动模型特别容易受到随机初始化引起的优化相关波动以及训练数据不足引起的采样偏差的影响。我们通过迁移学习（TL）来解决这两个挑战：深度神经网络（DNN）首先在 衰变半衰期上进行预训练，然后在小型簇衰变数据集上进行微调。预训练阶段提供了物理信息引导的初始化以稳定优化，而迁移的全局衰变系统学则正则化拟合并降低对训练集组成的敏感性。尽管数据极度稀疏，所得模型能准确预测从 Fr 到 Cm 母核的簇衰变半衰期。我们进一步量化了初始化和样本选择如何影响预测准确性和鲁棒性，证明 TL 在小样本 regime 中实现了稳定可靠的学习。
引用
@article{arxiv.2603.28628,
title = {From $\alpha$ decay to cluster decay: an extreme case of transfer learning},
author = {Yinu Zhang and Zhiyi Li and Kele Li and Jiaxuan Zhong and Cenxi Yuan},
journal= {arXiv preprint arXiv:2603.28628},
year = {2026}
}
备注
8 pages, 4 figures