基于机器学习模型的7.5 MeV质子-中子反应截面预测研究及其核物理应用价值

本研究针对(p,n)核反应截面预测的复杂性问题，研究人员采用随机森林(RF)、支持向量回归(SVR)、梯度提升等8种机器学习算法，利用包含质量数(A)、质子数(Z)、中子数(N)及不对称项((N-Z)/A2)的91组核数据，成功建立了7.5 MeV能区的截面预测模型。结果表明集成方法和SVR模型表现最优（R2达0.92），证实不对称项对提升预测精度具有关键作用，为核反应研究提供了高效计算工具。

　　

在探索原子核奥秘的征途中，科学家们始终面临着一个关键挑战：如何准确预测核反应截面。这个看似专业的物理量，实则关乎核能开发、医疗同位素生产乃至宇宙元素起源研究。以(p,n)反应为例，它不仅是研究中子富集核素结构的探针，更是生产PET显像剂氟-18的关键途径。然而传统理论计算面临"双高"困境——高计算复杂度与高实验成本，特别是在7.5 MeV这个重要能区，现有数据犹如散落的拼图，亟需新的研究方法将其系统整合。

研究人员开创性地将机器学习引入核物理领域，构建了包含91组核素数据的知识库，涵盖从质量数A到不对称项(N-Z)/A²等关键特征。通过对比随机森林(RF)、支持向量回归(SVR)等8种算法，发现集成方法如同"智慧陪审团"，能综合各模型优势，其预测精度(R²=0.92)远超传统单一模型。特别值得注意的是，研究中创新的不对称项特征被证明是提升预测的"密钥"，这个与核结合能相关的参数，成功揭示了核素性质与反应截面间的非线性关系。

技术路线上，研究团队首先对实验数据进行对数变换和标准化处理，消除量纲影响；随后采用Pearson相关系数分析变量关联性；最终通过RMSE、MAE和R²三重指标评估模型性能。这种"数据清洗-特征工程-模型优选"的研究范式，为小样本核物理问题提供了新思路。

在"材料与方法"部分，研究揭示了数据集构建的严谨性：91个数据点均包含A、Z、N等基本核参数，特别是独创性地引入(N-Z)/A²项，这个与核液滴模型相关的特征量，为模型注入了物理先验知识。"结果与讨论"章节显示，SVR凭借核技巧处理非线性关系的优势，在测试集上表现抢眼；而集成模型则像"三个诸葛亮"，通过集体决策将MAE控制在0.1mb量级。相关性分析图更直观显示，不对称项与截面的相关系数达0.65，显著高于其他单一参数。

"结论"部分强调，这项研究实现了从"理论驱动"到"数据驱动"的范式转变。虽然聚焦7.5 MeV能区，但其方法论可推广至(n,α)等其他反应类型。naima AMRANI和Serkan Akkoyun提出的机器学习框架，仅需调整特征工程即可适应不同反应体系，这种灵活性对实验条件受限的研究尤为珍贵。该成果发表于《Applied Surface Science Advances》，为核数据评价提供了新工具，未来或可应用于加速器靶材优化、核医学同位素产量预测等领域。

值得注意的是，研究团队坦承当前模型在超重核区间的外推能力有限，这恰为后续研究指明方向。正如核物理从居里夫人时代走向AI时代，这项研究架起了计算物理与机器学习的桥梁，其价值不仅在于7.5 MeV截面的预测精度提升，更在于开创了"物理智能"的新研究范式——用算法解码核素密码，用数据重现核反应风云。