在贝叶斯神经网络输入层提供物理引导：以巨偶极共振预测为例
核理论
2021-09-29 v2
摘要
贝叶斯神经网络（BNN）已被用于评估和预测核数据。然而，如何在 BNN 中提供物理引导是一个关键但开放的问题。本工作以巨偶极共振（GDR）能量为例，阐明从输入层在 BNN 中提供物理引导的方法之有效性与可操作性。我们应用 Spearman 相关系数来评估基态核性质与 GDR 能量之间的统计依赖关系。随后，将最优的基态性质用作 BNN 中的输入层，以评估和预测 GDR 能量。这些被选中的基态性质积极有助于减小预测误差并避免非物理发散的风险。本工作给出了一个在不使用物理驱动模型的情况下利用 BNN 发现 GDR 能量效应的示范，或有助于从复杂核数据中发掘物理效应。
引用
@article{arxiv.2011.03869,
title = {Providing physics guides in Bayesian neural networks from input layer: case of giant dipole resonance predictions},
author = {Xiaohang Wang and Jun Su and Long Zhu},
journal= {arXiv preprint arXiv:2011.03869},
year = {2021}
}