机器学习洞察理论与实验裂变势垒高度之间的差异
核理论
2026-04-21 v1
摘要
核裂变势垒高度的精确确定对于理解核稳定性、裂变动力学和核合成至关重要。然而，诸如扩展托马斯-费米加Strutinsky积分（ETFSI）方法和Möller等人的宏观-微观计算等理论模型表现出与实验的系统性偏差，特别是在强形变和显著壳效应区域。在这项工作中，机器学习被用作分析这些差异的诊断工具。使用残差学习框架内的极端梯度提升（XGBoost）算法，模型从物理动机的核特征（包括质子数和中子数、结合能、分离能和配对相关量）中学习对ETFSI预测的修正。该模型在训练、测试和交叉验证数据集上以约0.3-1.2 MeV的均方根误差重现了实验势垒高度。特征重要性分析表明，内势垒依赖于结合能趋势、质量和中子数效应以及配对贡献，而外势垒则更强烈地受宏观量（特别是质子数）控制，这与大形变下库仑排斥和裂变度的主导作用一致。这些结果表明，机器学习可以提高预测精度，同时为理论核模型的局限性提供物理解释性的见解。
引用
@article{arxiv.2604.16996,
title = {Machine Learning Insights into Discrepancies Between Theoretical and Experimental Fission Barrier Heights},
author = {Kun Ratha Kean and Yoritaka Iwata},
journal= {arXiv preprint arXiv:2604.16996},
year = {2026}
}