从从头计算核结构的机器学习预测融合能量
摘要：基于有限模型空间的核可观测预测是一项具有挑战性的核结构理论任务。它需要可靠的工具来将可观测量外推到无限多体希尔伯特空间，并提供可靠的不确定性估计。在这项工作中，我们提出了一种通用的机器学习工具，能够捕捉与核子和相互作用无关的可观测量特定收敛模式。我们证明，一旦在几个体系上进行训练，人工神经网络可以准确地预测广泛范围的轻核的基态能量。特别地，我们讨论了基于2H、3H和4He的训练数据，通过训练数据的6Li、12C和16O的无核壳模型计算，神经网络预测的基态能量与经典外推进行比较。
作者：Marco Kn"oll, Tobias Wolfgruber, Marc L. Agel, Cedric Wenz, Robert Roth
论文ID：2207.03828
分类：Nuclear Theory
分类简称：nucl-th
提交时间：2023-03-15