用机器学习从第一性原理核结构计算预测收敛能量
核理论
2023-03-15 v2
摘要
在现代第一性原理方法（如无核壳模型）可处理的有限模型空间之外预测核可观测量，是核结构理论中的一项挑战性任务。它需要对可观测量向无限多体希尔伯特空间的外推的可靠工具以及可靠的不确定性估计。本工作中我们提出了一种通用的机器学习工具，能够捕获与原子核和相互作用无关的可观测量特定收敛模式。我们表明，一旦在少体系统上训练，人工神经网络就能对广泛的轻核产生准确预测。特别地，我们讨论了基于2H、3H和4He的训练数据，对6Li、12C和16O的无核壳模型基态能量进行的神经网络预测，并将其与经典外推进行比较。
引用
@article{arxiv.2207.03828,
title = {Machine Learning for the Prediction of Converged Energies from Ab Initio Nuclear Structure Calculations},
author = {Marco Knöll and Tobias Wolfgruber and Marc L. Agel and Cedric Wenz and Robert Roth},
journal= {arXiv preprint arXiv:2207.03828},
year = {2023}
}
备注
7 pages, 5 figures, 1 table