Discovering Nuclear Models from Symbolic Machine Learning
Jose M. Munoz, Silviu M. Udrescu, Ronald F. Garcia Ruiz
已经提出了许多现象学核模型来描述核图不同区域内的特定可观测物。 然而,开发一个描述所有核的复杂行为的统一模型仍然是一个开放的挑战。 在这里,我们探索新颖的符号机器学习(ML)是否可以重新发现传统的核物理模型,或者以改进的简单性,保真度和预测能力来确定替代品。 为了应对这一挑战,我们开发了一种多目标迭代符号回归方法,该方法处理多个目标可观测值的符号回归,解释了实验的不确定性,并且对高维问题很稳健。 作为原理的证明,我们应用这种方法来描述光质量核核的核结合能量和电荷半径。 我们的方法根据质子和中子的数量确定了简单的分析关系,提供了可解释的模型,其精度与最先进的核模型相当。 此外,我们将这种ML发现的模型与现有的互补模型集成在一起,以估计核稳定性的极限。 这些结果突出了符号ML开发精确核模型的潜力,并指导我们对复杂的多体问题的描述。
Numerous phenomenological nuclear models have been proposed to describe specific observables within different regions of the nuclear chart. However, developing a unified model that describes the complex behavior of all nuclei remains an open challenge. Here, we explore whether novel symbolic Machine Learning (ML) can rediscover traditional nuclear physics models or identify alternatives with improved simplicity, fidelity, and predictive power. To address this challenge, we developed a Multi-obje...