用多任务神经网络描述巨偶极共振关键参数
核理论
2021-03-02 v1
摘要
巨偶极共振（GDR）是原子核中基本的集体激发模式之一。在不同核数据库中评估 GDR 关键参数一直是持续的努力方向。我们引入多任务学习（MTL）方法来学习并复现 GDR 关键参数（包括 GDR 能量与宽度）的评估实验数据。与 RIPL-3 库中的理论 GDR 参数相比，对于有实验数据的 129 个核，MTL 方法的精度几乎翻倍。这一显著改进很大程度上归功于分类神经网络对单峰核与双峰核的正确分类。基于神经网络方法的良好表现，我们对 β 稳定线附近无实验数据的 79 个核进行了外推，为未来实验与数据评估提供了重要参考。MTL 方法在本工作中的成功应用进一步证明了在核物理领域用多任务神经网络研究多输出物理问题的可行性。
引用
@article{arxiv.2103.00379,
title = {The description of giant dipole resonance key parameters with multitask neural networks},
author = {J. H. Bai and Z. M. Niu and B. Y. Sun and Y. F. Niu},
journal= {arXiv preprint arXiv:2103.00379},
year = {2021}
}
备注
9 pages, 6 figures