摘要: 本研究采用一种融合物理信息的机器学习方法研究核电荷半径；该方法将神经网络与经验性电荷—半径公式相结合。神经网络并非直接学习电荷半径，而是仅用于优化经验公式中与原子核相关的参数，从而保留公式中蕴含的物理信息。对于 Z、N > 8 的原子核，相对于 CR2013 和 CR2021 汇编中实验电荷半径的均方根偏差，从经验公式的 0.0289 fm 降低至所提出的机器学习方法的 0.0086 fm。该方法还在统一框架内再现了 Ca 和 Hg 同位素电荷半径的复杂同位素演化规律。此外，研究还采用基于 Skyrme—Hartree—Fock—Bogoliubov 模型计算的电荷半径作为伪数据，以测试所提方法的外推性能；结果表明，受物理信息约束的神经网络具有更优异的外推性能。
相关信息
待评议
点击量
下载量
