利用机器学习预测核质量
核理论
2023-11-17 v1
摘要
背景：约2500个核的质量已被实验测量，但基于各种理论计算，从H（Z=1）到Og（Z=118）的核素图中预计存在超过7000种同位素。探索其余核的质量是核物理中的热点问题。机器学习已在许多领域作为学习大数据复杂表示的强大工具。目的：我们使用轻量梯度提升机（LightGBM）这一高效机器学习算法，通过已知核质量的训练来预测未知核的质量并探索丰中子一侧的核素图。结果：以80%已知核的实验数据作为训练集，LightGBM精修后的LDM、DZ、WS4和FRDM模型对剩余20%核的预测结合能与实验值的均方根偏差（RMSD）分别约为0.234 MeV、0.213 MeV、0.170 MeV和0.222 MeV，较相应原始质量模型减小了约90%、65%、40%和60%。对于AME2020中出现的66个新测量核，基于同样方法其RMSD也显著改善。这些精修模型预测的单中子与双中子分离能与若干基于不同物理模型的理论预言一致。结论：LightGBM可用于精修理论核质量模型，从而预测未知核的结合能。此外，输入特征量与输出之间的关联可通过SHapley Additive exPlanations（SHAP，一种流行的可解释人工智能工具）进行解释，这可能为发展理论核质量模型提供新见解。
引用
@article{arxiv.2105.02445,
title = {Machine learning the nuclear mass},
author = {Zepeng Gao and Yongjia Wang and Hongliang Lü and Qingfeng Li and Caiwan Shen and Ling Liu},
journal= {arXiv preprint arXiv:2105.02445},
year = {2023}
}