利用机器学习进一步探索结合能残差及复合集成模型的开发
核理论
2026-02-19 v3 机器学习
摘要
本文描述了四模型树集成(FMTE)的开发。FMTE是一个复合机器学习模型,基于原子质量评估(AME) 2012的实验结合能数据进行训练。FMTE对AME 2020中所有N > 7且Z > 7的原子核预测结合能值,标准差为76 keV,平均绝对偏差为34 keV。FMTE模型是通过将三个新模型与一个先前模型相结合而开发的。本文提出的新模型基于质量模型的结合能残差,采用四种机器学习方法进行训练。本文提出的模型利用了形状参数以及其他物理特征。我们确定,用于结合能残差的首选机器学习方法是最小二乘提升树集成。该方法在结合能残差的插值和外推方面均展现出卓越的能力。文中还包括了与先前未测量的同位素质量的比较,以及对接近中子滴线的外推的讨论。
引用
@article{arxiv.2503.11066,
title = {Further exploration of binding energy residuals using machine learning and the development of a composite ensemble model},
author = {I. Bentley and J. Tedder and M. Gebran and A. Paul},
journal= {arXiv preprint arXiv:2503.11066},
year = {2026}
}
备注
Phys. Rev. C - Accepted 17 June, 2025