用于中子星壳层成分预测的核质量预测：一种贝叶斯神经网络方法
核理论
2016-01-25 v1 高能天体物理现象
太阳与恒星天体物理
核实验
摘要
除了其内在的核结构价值外，核质量模型对于天体物理应用（如 r 过程核合成与中子星结构）也是必不可少的。为了克服现有“最先进”质量模型的固有局限性，我们提出了一种基于贝叶斯神经网络（BNN）形式体系的改进方法。我们实现了一种新颖的 BNN 方法，旨在优化理论与实验之间的质量残差。经过 BNN 改进后，现有模型的质量预测获得了显著提升（约 40%）。此外，这些改进后的结果现在还附带了适当的统计误差。最后，通过构建这些预测的“世界平均”值，获得了一个用于预测中子星外壳层成分的质量模型。贝叶斯神经网络方法的有效性已通过核质量预测准确度的系统性提升得到成功证明。向其他核可观测量的扩展是自然的下一步工作，目前正在研究中。
引用
@article{arxiv.1508.06263,
title = {Nuclear Mass Predictions for the Crustal Composition of Neutron Stars: A Bayesian Neural Network Approach},
author = {R. Utama and J. Piekarewicz and H. B. Prosper},
journal= {arXiv preprint arXiv:1508.06263},
year = {2016}
}
备注
13 pages, 5 figures, submitted to Physical Review C