机器学习方法研究重离子熔合反应截面
Machine Learning Methods for Studying Heavy-Ion Fusion Cross Sections
-
作者：
李志龙
1
王永佳
2
李庆峰
3
-
作者单位：
-
提交时间：2025-05-06 11:07:58
摘要: 本文利用基于决策树的机器学习算法——LightGBM（Light Gradient Boosting Machine）研究偶偶体系的重离子反应的熔合截面（CS）。机器学习算法的输入特征量包括与原子核基本性质相关的物理量（如弹靶核的质子数、质量数、2+和4+态激发能量等）以及从唯象理论模型计算得到的CS，输出量为熔合截面。研究发现，当输入特征量中不包含唯象模型计算的CS时，在训练集上LightGBM预测的CS与实验值的平均绝对误差（MAE）为0.138，显著优于经验耦合道模型（ECC）给出的0.172；当在输入特征量中包含唯象模型计算的CS时，由于物理信息的加入，MAE降至0.07。此外，还发现当物理信息引入时，计算得到势垒分布与实验数据能更好的符合。这表明，物理信息在机器学习研究重离子熔合反应中有重要作用。
版本历史
| [V2] |
2025-05-06 11:07:58 |
ChinaXiv:202505.00030V2
|
下载全文 |
相关信息
点击量
下载量
