用于核质量的物理可解释机器学习
核理论
2022-08-17 v1 太阳与恒星天体物理
摘要
我们提出了一种直接基于受相关物理约束的概率神经网络来建模原子核基态质量的新方法。我们的物理可解释机器学习(PIML)方法通过使用具有物理动机的特征空间以及作为损失函数惩罚项实现的软物理约束来融入物理知识。我们在原子质量评估(AME)约20%的随机集合上训练PIML模型，并预测剩余的约80%。我们方法学的成功体现在：训练集与数据的σ_RMS∼186 keV空前吻合，以及整个AME中Z ≥ 20部分的σ_RMS∼316 keV。我们表明，我们的通用方法可使用特征重要性进行解释。
引用
@article{arxiv.2203.10594,
title = {Physically Interpretable Machine Learning for nuclear masses},
author = {M. R. Mumpower and T. M. Sprouse and A. E. Lovell and A. T. Mohan},
journal= {arXiv preprint arXiv:2203.10594},
year = {2022}
}
备注
5 pages, 3 figures, comments welcome