通过贝叶斯神经网络对核质量进行精细化处理，并将其应用于SHE（某种粒子）的α衰变研究

《Scientific Reports》：Nuclear mass refinement via Bayesian neural networks and applications to \(\alpha\) -decay of SHE

　　

摘要

本研究采用贝叶斯神经网络（BNN）对核质量预测方法进行了系统性的研究，以改进九种理论核质量公式的计算结果。基于残差分析的统计学方法显著降低了与AME2020数据库中实验数据相比的均方根偏差，达到了对核合成过程（r过程）进行建模所需的精度。BNN方法固有的不确定性量化表明，在向核素图谱中尚未探索的区域扩展时，置信区间逐渐变宽。该混合模型的预测能力通过对比最近利用飞行时间磁刚度（ToF-B\(\rho\)）技术和TRIUMF原子与核科学离子阱（TITAN）获得的Tc和Zn同位素的质量测量结果得到了验证。此外，校正后的质量数据还被用于研究超重元素（SHE）的\(\alpha\)衰变过程，该方法采用了变质量不对称性方案（VMAS）和分子簇模型。将WS4+BNN模型与有效势垒结合使用，提高了计算半衰期的一致性，使得与实验数据的差异减少了四个数量级，这在\(^{147}\text {Sm}\)的情况下尤为明显。