[论文解读] A Global Model of $\\beta^-$-Decay Half-Lives Using Neural Networks

N. J. Costiris, E. Mavrommatis+2 more|arXiv (Cornell University)|Jan 31, 2007

Nuclear physics research studies参考文献 1被引用 5

一句话总结

本文提出了一种全局人工神经网络（ANN）模型，用于预测仅通过 $\beta^{-}$ 模式衰变的核素的 $\beta^{-}$ 衰变半衰期，采用全连接多层前馈架构，使用 Levenberg-Marquardt 和贝叶斯正则化进行训练。该模型的预测精度与最佳传统核理论模型相当，尤其在已知数据的插值和对中子丰富的 r-过程核素的外推方面表现优异。

ABSTRACT

Statistical modeling of nuclear data using artificial neural networks (ANNs) and, more recently, support vector machines (SVMs), is providing novel approaches to systematics that are complementary to phenomenological and semi-microscopic theories. We present a global model of $\\beta^-$-decay halflives of the class of nuclei that decay 100% by $\\beta^-$ mode in their ground states. A fully-connected multilayered feed forward network has been trained using the Levenberg-Marquardt algorithm, Bayesian regularization, and cross-validation. The halflife estimates generated by the model are discussed and compared with the available experimental data, with previous results obtained with neural networks, and with estimates coming from traditional global nuclear models. Predictions of the new neural-network model are given for nuclei far from stability, with particular attention to those involved in r-process nucleosynthesis. This study demonstrates that in the framework of the $\\beta^-$-decay problem considered here, global models based on ANNs can at least match the predictive performance of the best conventional global models rooted in nuclear theory. Accordingly, such statistical models can provide a valuable tool for further mapping of the nuclidic chart.

研究动机与目标

• 开发一种针对仅通过 $\beta^{-}$ 模式衰变的核素的 $\beta^{-}$ 衰变半衰期的全局统计模型，尤其关注远离稳定区的区域。
• 解决传统核模型的局限性，这些模型在预测中子丰富的不稳定核素半衰时时常出现较大偏差（高达一个数量级）。
• 评估人工神经网络（ANN）作为现象学和微观核理论的补充方法，在建模 $\beta^{-}$ 衰变系统规律方面的表现。
• 评估模型在泛化和外推方面的能力，特别是针对参与 r-过程核合成的核素。
• 为未测量的核素提供可靠的半衰期估计，支持实验计划和理论核结构研究。

提出的方法

• 采用全连接、多层前馈神经网络，架构为 [3-5-5-5-5-1|116]，隐藏层使用双曲正切 S 型函数，输出层使用饱和线性函数。
• 输入层编码原子序数 $Z$、中子数 $N$ 和配对常数 $\delta$（定义为：偶-偶核为 +1，质量数为奇数的核为 0，奇-奇核为 -1）。
• 使用 Levenberg-Marquardt 算法结合贝叶斯正则化进行训练，并采用 10 折交叉验证以优化泛化能力并防止过拟合。
• 输出为半衰期的以 10 为底的对数，即 $\log T_{1/2}$，单位为秒。
• 使用 $\langle x\rangle_K$ 和 $\sigma_K$ 等指标评估性能，并引入容差因子 $f$，以评估预测值在实验值 $f$ 倍范围内的比例。
• 在包含 116 种核素的预测集上测试模型，其中包括 $^{78}\text{Ni}$ 等关键 r-过程核素，并与 NBSC+ pn QRPA 和 pn QRPA+ff GT 等成熟模型进行比较。

实验结果

研究问题

• RQ1 全局人工神经网络模型能否在 $\beta^{-}$ 衰变半衰期预测方面达到与最佳传统核理论模型相当的精度？
• RQ2 该 ANN 模型对训练集中未包含的核素的泛化能力如何，特别是在远离稳定区的区域？
• RQ3 该模型在多大程度上能够外推至与 r-过程核合成相关的中子丰富同质素？
• RQ4 与 NBSC+ pn QRPA 和 pn QRPA+ff GT 等成熟模型相比，该模型在精度和一致性方面表现如何？
• RQ5 该模型是否能再现已知的核系统规律，例如由于配对效应导致的半衰期锯齿状变化？

主要发现

• 该 ANN 模型在预测值与实验值相差不超过 10 倍的范围内，预测准确率达到 98.0%，预测集上 $\langle x\rangle_K = 2.24$，$\sigma_K = 1.30$。
• 在预测值与实验值相差不超过 5 倍的范围内，准确率达到 94.0%，$\langle x\rangle_K = 2.04$，$\sigma_K = 0.89$，表明其在插值区域表现强劲。
• 该模型性能与 NBSC+ pn QRPA 模型相当，关键指标上甚至略优，尤其在最具挑战性的案例中表现更佳。
• 该模型成功将 $^{78}\text{Ni}$（一种双幻数 r-过程核素）的半衰期预测结果控制在实验不确定度范围内，证明其在关键天体物理情况下的可靠性。
• 该模型在同质素链和同中子素链上表现出类似锯齿状的半衰期变化，反映了配对效应的影响，尽管该特征与实验趋势相比可能略有夸大。
• 该模型的泛化能力较强，表现为高 $m$ 值（在容差范围内的预测比例）和低 $\sigma_K$，表明其在测试核素范围内具有稳定且精确的预测表现。