NucleiML：面向加速贝叶斯探索的有限核基态性质机器学习框架

核子程序状态(EoS)的全局行为通常通过有限核(FN)、重离子碰撞和中子星(NS)天文观测数据来研究。来自 FN 如结合能和电荷半径的约束在决定饱和密度以下的 EoS 方面起着最关键的作用。将这些约束显式纳入计算所带来的计算成本，尤其是在旨在探索模型不确定性而非优化单个模型时， presents a significant 挑战。我们通过引入 NucleiML(NML)，一个在由相对论均值场模型生成的少数有限核基态性质上进行训练的机器学习框架来解决这一问题。NML 允许我们在高效方式下将 FN 和 NS 属性整合到贝叶斯推断框架中。结果表明该方法在准确性和速度上都具有合理的表现，对于单个参数集合计算 FN 性质的速度提升约为 $10^4$ 倍，在贝叶斯框架中大约提升 $10^3$ 倍。本研究为将工作扩展到更大范围的核子，potentially 未来研究 NS 属性以包含整个核子图，提供了依据。