基于无核壳模型对能量与半径的精确神经网络预测

对于轻核，从头算多体方法如无核壳模型是用于预测性、高精度核结构计算的首选工具。然而，这些方法的应用范围与精度水平受限于为使此类计算可行而必须采用的模型空间截断。我们提出一种基于人工神经网络的通用框架，基于有限尺寸无核壳模型数据预测无限模型空间尺寸下可观测量的值。在我们先前将神经网络训练为从少体核数据识别可观测量特定收敛模式的研究基础上，我们改进了基态能量的结果，并展示了在该框架内处理激发能的方法。此外，我们将该框架扩展至收敛均方根半径的预测，由于收敛行为约束少得多，这更为困难。对于所有可观测量，通过对大量网络实现和评估数据样本进行采样，提取出鲁棒且统计显著的不确定性。