改进用于天体物理应用的核质量公式：一种贝叶斯神经网络方法
核理论
2017-10-11 v1 太阳与恒星天体物理
核实验
摘要
奇异核，尤其是那些靠近滴线的核，正处于当今推动核结构与天体物理发展的一个基本问题的核心：核束缚的极限是什么？奇异核在为依据重元素起源的理论模型提供信息以及理解重元素起源方面都起着关键作用。我们的目的是通过训练人工神经网络来改进现有的质量模型，从而减轻远离稳定区时的巨大模型偏差。我们这种双管齐下方法的基本范式是：首先采用一个尽可能捕捉底层物理的现有质量模型，然后实施贝叶斯神经网络（BNN）精炼以弥补缺失的物理。采用贝叶斯推断来确定神经网络的参数，从而使模型预测可伴随理论不确定性。尽管本工作中采用的质模型的品质无可否认，我们观察到在实施 BNN 精炼后有了显著改进（约 40%）。确实，在 Duflo-Zuker 质量公式的具体情况下，我们发现相对于实验的均方根偏差从 rms =0.503 MeV 降低到 rms=0.286 MeV。这些新精炼的质量表被用于绘制中子滴线（或更确切地说是“滴带”）并研究几个关键的 r-过程核。BNN 方法在精炼现有质量模型的预测方面非常成功。特别是，原始“裸”模型在缺乏实验数据区域所表现出的巨大偏差在 BNN 精炼后被显著抑制。这赋予了我们的方法以可信度，并促使我们发布精炼的质量表，相信它们将对未来的天体物理应用有所帮助。
引用
@article{arxiv.1704.06632,
title = {Refining mass formulas for astrophysical applications: a Bayesian neural network approach},
author = {Raditya Utama and Jorge Piekarewicz},
journal= {arXiv preprint arXiv:1704.06632},
year = {2017}
}