桥接理论与数据：使用可解释机器学习纠正核质质量模型
分布式、并行与集群计算
2026-03-26 v2 操作系统
摘要
核质量预测是核物理研究的核心问题之一，但面临小样本数据集复杂性的挑战。本研究引入Kolmogorov-Arnold网络（KAN）用于核质量模型的精细化，提出一种高效且可解释的解决方案。通过构建KAN-WS4混合模型，显著提高了预测精度（根均方误差从0.3 MeV降至0.16 MeV）。此外，利用KAN的内在可解释性，特征重要性分析揭示，质子数是影响残差最关键的因素，表明现有理论模型中与质子相关术语可能存在系统性偏差。该方法在五个质量模型上的普适性得到验证。这一研究表明，KAN为小样本、高复杂度科学问题提供了一种新方法。其可解释性有助于数据驱动发现物理规律，具有广泛的应用前景，可解决核物理领域的关键问题。
引用
@article{arxiv.2603.15202,
title = {LMetric: Simple is Better - Multiplication May Be All You Need for LLM Request Scheduling},
author = {Dingyan Zhang and Jinbo Han and Kaixi Zhang and Xingda Wei and Sijie Shen and Chenguang Fang and Wenyuan Yu and Jingren Zhou and Rong Chen},
journal= {arXiv preprint arXiv:2603.15202},
year = {2026}
}
备注
Fix typos