用机器学习预测β衰变能量
核理论
2023-03-29 v1 核实验
数据分析、统计与概率
摘要
是刻画不稳定核的最重要因素之一，因其可增进对核行为及重原子起源的理解。近来，机器学习方法已被证明是提高多种原子性质（如能量、原子电荷、体积等）预测精度的有力工具。然而，这些方法常被当作黑箱使用，无法揭示所分析现象的内在见解。此处，通过机器学习模型的集成，实验数据上 β 衰变能量的现有最先进精度被超越。为消除黑箱顾虑所实施的 Explainability 工具，识别出不确定度与原子序数为预测 能量的最相关特征。此外，物理信息特征的加入提升了模型的鲁棒性，并凸显了核结构理论模型的重要特征。
引用
@article{arxiv.2211.17136,
title = {Predicting Beta Decay Energy with Machine Learning},
author = {Jose M. Munoz and Serkan Akkoyun and Zayda P. Reyes and Leonardo A. Pachon},
journal= {arXiv preprint arXiv:2211.17136},
year = {2023}
}