[论文解读] Statistical Global Modeling of Beta-Decay Halflives Systematics Using Multilayer Feedforward Neural Networks and Support Vector Machines

N. J. Costiris, E. Mavrommatis+3 more|ArXiv.org|Sep 2, 2008

Nuclear physics research studies参考文献 1被引用 8

一句话总结

本文提出一种基于多层前馈神经网络（ANNs）和支持向量机（SVMs）的机器学习方法，用于在全球核图上建模β⁻衰变半衰期。结果表明，两种模型在预测性能上均达到或优于传统核模型，尤其在对具有放射性及r-过程核素的预测中表现优异，所有Z/N奇偶性类别测试集的均方根误差（RMSE）均低于0.51。

ABSTRACT

In this work, the beta-decay halflives problem is dealt as a nonlinear optimization problem, which is resolved in the statistical framework of Machine Learning (LM). Continuing past similar approaches, we have constructed sophisticated Artificial Neural Networks (ANNs) and Support Vector Regression Machines (SVMs) for each class with even-odd character in Z and N to global model the systematics of nuclei that decay 100% by the beta-minus-mode in their ground states. The arising large-scale lifetime calculations generated by both types of machines are discussed and compared with each other, with the available experimental data, with previous results obtained with neural networks, as well as with estimates coming from traditional global nuclear models. Particular attention is paid on the estimates for exotic and halo nuclei and we focus to those nuclides that are involved in the r-process nucleosynthesis. It is found that statistical models based on LM can at least match or even surpass the predictive performance of the best conventional models of beta-decay systematics and can complement the latter.

研究动机与目标

• 开发一种基于机器学习的β⁻衰变半衰期全局统计模型，以解决传统核模型的局限性。
• 评估ANNs与SVMs在实验数据及既定理论模型上的预测性能。
• 评估模型在中子富集、放射性及r-过程核素中的准确性，这些核素对天体物理核合成至关重要。
• 探究机器学习是否能仅基于Z和N量子数捕捉β⁻衰变半衰期的内在规律性。
• 比较ANNs与SVMs在核衰变规律性背景下的泛化与外推能力。

提出的方法

• 针对四种Z/N奇偶性类别（偶-偶、偶-奇、奇-偶、奇-奇）分别训练ANNs与SVMs，以Z和N作为输入特征。
• 采用包含训练集、验证集与测试集的统计学习框架，以优化模型参数并防止过拟合。
• 使用带反向传播的多层前馈神经网络，实现从(Z, N)到β⁻衰变半衰期的非线性映射。
• 应用支持向量回归方法，通过核技巧在高维特征空间中执行非线性回归。
• 计算均方根误差（RMSE）及质量指数（M, σM, Σ），以评估不同半衰期截断值下的模型性能。
• 使用标准化指标将结果与实验数据、FRDM+pn-QRPA及pn-QRPA+ffGT模型进行对比。

实验结果

研究问题

• RQ1 基于ANNs与SVMs的机器学习模型能否在β⁻衰变半衰期预测中达到或优于传统全局核模型的预测精度？
• RQ2 ANNs与SVMs在远离稳定线的放射性及中子富集核素的半衰期外推中表现如何？
• RQ3 在核图范围内对β⁻衰变规律性的插值与外推中，ANNs与SVMs的相对优势为何？
• RQ4 仅靠Z与N量子数能否充分决定这些学习机所捕捉到的β⁻衰变半衰期规律性？
• RQ5 在涉及天体物理r-过程的核素中，特别是半衰期低于10^6秒的核素，模型表现如何？

主要发现

• ANN与SVM模型在所有Z/N奇偶性类别中的测试集RMSE值分别为0.51与0.53，表明其具有出色的预测精度。
• 对于半衰期低于10^6秒的核素，ANN模型的平均误差（M）为0.00，标准差（σM）为0.45，优于FRDM+pn-QRPA模型（M = 0.34，σM = 1.28）。
• SVM模型在验证集上表现出略优的泛化能力，但外推性能较差，原因在于其对支持向量的依赖。
• 两种模型在预测r-过程核素半衰期方面均达到或超过最佳传统模型（如pn-QRPA+ffGT）的性能。
• 模型在放射性核素及晕核中表现出稳健性能，包括半衰期低于1秒的核素，尽管实验数据稀疏。
• 按Z/N奇偶性对数据进行细分可提升性能，但可能在同质子链或同中子链中引入虚假波动，因此采用统一的ANN模型更有利于保持一致性。