基于机器学习技术优化生成坐标方法用于核能谱与无中微子双贝塔衰变：针对轴对称形变核的岭回归
核理论
2023-02-10 v2 核实验
摘要
生成坐标方法（GCM）是模拟原子核大振幅集体运动的重要首选工具。GCM的计算复杂度随集体坐标个数迅速增加，这对该方法的适用性施加了很强限制。本工作中，我们提出一种子空间约化算法，采用最优统计机器学习（ML）模型作为精确量子数投影计算规范核与哈密顿核的代理。原GCM的模型空间分别基于正交条件（OC）与能量-跃迁-正交过程（ENTROP）约化为与核低能谱及基态到基态衰变核矩阵元（NME）相关的子空间。为简便，采用多项式岭回归（RR）算法学习轴对称形变构型的规范核与哈密顿核。通过对Ge与Se比较最优RR模型与直接GCM计算的结果，说明了该算法的效率与精度。计算了Ge与Se的低能谱及其基态间衰变NME。结果表明GCM+OC/ENTROP+RR的性能比单独GCM+RR更稳健，且前者能以显著降低的计算代价精确复现原GCM计算的结果。
引用
@article{arxiv.2211.02797,
title = {Optimization of generator coordinate method with machine-learning techniques for nuclear spectra and neutrinoless double-beta decay: ridge regression for nuclei with axial deformation},
author = {X. Zhang and W. Lin and J. M. Yao and C. F. Jiao and A. M. Romero and T. R. Rodríguez and H. Hergert},
journal= {arXiv preprint arXiv:2211.02797},
year = {2023}
}
备注
15 pages with 19 figures