机器学习方法研究原子核的电荷半径

摘要

原子核的电荷半径是表征其电荷分布范围的物理量,对理解原子核这个复杂的量子多体系统内部核子间的相互作用发挥着重要的作用。但传统的物理模型对原子核电荷半径的描述还难以令人满意,特别是对于像钙同位素链所表现出的强烈的奇偶效应类现象。近些年来,随着机器学习方法在物理学领域的广泛应用,已有多种机器学习模型用于研究原子核电荷半径,这使得原子核电荷半径的计算精度得到大幅提升。本文综述了近年来包括贝叶斯概率分类器、核岭回归模型、人工神经网络以及贝叶斯神经网络在内的机器学习方法在原子核电荷半径研究中应用的最新进展,对比了不同机器学习方法、不同训练集与不同输入对机器学习预测原子核电荷半径结果的影响,并对机器学习在原子核物理中的进一步应用进行了展望。