基于多任务学习的神经网络方法研究核质量

论文信息：

Nuclear mass based on the multi-task learning neural network method

Xing-Chen Ming, Hong-Fei Zhang, Rui-Rui Xu,  Xiao-Dong Sun,  Yuan Tian,  Zhi-Gang Ge

Nuclear Science and TechniquesVol. 33, Issue 4, Article number: 48(2022)

DOI：10.1007/s41365-022-01031-z

文章亮点

基于宏观-微观模型，本文利用新设计的多任务学习人工神经网络（MTL-ANN）研究了全部核质量。首先，获得了最新原子质量评估AME2020中公布的2095个原子核（Z≥8，N≥8）的核结合能，以及液滴模型（LDM）的拟合结果与AME2020数据之间的偏差。为了补偿偏差并研究LDM中可能被忽略的物理现象，在模型中引入了MTL-ANN方法。与单任务学习（STL）方法相比，这种新网络具有强大的同时学习多种原子核性质的能力，如结合能和单中子和质子分离能。此外，它在降低过度拟合的风险和实现更好的预测方面非常有效。因此，使用该核质量模型可以为训练和验证数据集以及测试数据集获得良好的预测。

The structure of the present MTL-ANN

详情链接：

https://link.springer.com/article/10.1007/s41365-022-01031-z

转自：“学术猫”微信公众号

如有侵权，请联系本站删除！