从符号机器学习中发现核模型

Apr, 2024

Discovering Nuclear Models from Symbolic Machine Learning

Jose M. Munoz, Silviu M. Udrescu, Ronald F. Garcia Ruiz

TL;DR通过使用符号机器学习方法，本研究探索了一种多目标迭代符号回归方法，用于描述轻中质量核的结合能和电荷半径，发现了简单的解析关系，并将该模型与现有的补充模型相结合，估计了核稳定性的极限。这些结果凸显了符号机器学习在开发准确的核模型和解决复杂多体问题方面的潜力。

Abstract

Numerous phenomenological nuclear models have been proposed to describe specific observables within different regions of the nuclear chart. However, developing a unified model that describes the complex behavior of all nuclei remains an open challenge. Here, we explore whether novel sy

nuclear models symbolic machine learning symbolic regression nuclear binding energies charge radii

发现论文，激发创造

NuCLR：核协同学习表示

NuCLR 是一个深度学习模型，使用多任务方法进行训练，可以预测包括结合能、衰变能和核电荷半径在内的各种核观测量，其表现优于其他方法，并能够捕获核壳模型的关键方面，表明其具有潜在的价值。

Jun, 2023

核物理中的机器学习

该论文综述了机器学习方法在核物理研究中的广泛应用，推动了科学发现和社会应用的进步。

Dec, 2021

超越标准模型物理的符号回归

我们使用符号回归作为研究超出标准模型物理的有力工具，提供了一组分析表达式，用理论参数来重现三个感兴趣的低能观测值：希格斯玻色子质量、修正磁动量与矛盾的贡献以及冷暗物质剩余密度。我们使用这些符号表达式进行全局拟合分析，极快地得到参数的后验概率密度，相较于传统方法具有极大的优势。

May, 2024

符号回归在可解释科学探究中的应用：评述

本文综述了符号回归方法的优缺点，探讨了其在机器学习、深度学习等应用领域中以数据驱动的模型发现方法所取得的显著进展。

Nov, 2022

通过感性偏向从深度学习中发现符号模型

该研究采用强归纳偏置的通用方法，将符号化表示从学习的深层模型中提取出来，应用于图神经网络。该技术可以从神经网络中提取物理方程，如力学定律和哈密顿量，并在耗费较小的计算资源上快速发现新的物理原则。

Jun, 2020

金属自旋玻璃的机器学习力场模型

金属自旋玻璃体系的动力学模拟中，利用可扩展的机器学习框架通过预测驱动自旋动力学的电子诱导的局部磁场，发展了一种根据局部磁性环境进行磁性描述的神经网络模型，该模型具有很高的精确性和高效性，并应用于具有淬灭随机性质的杂乱非晶常规 s-d 模型的弛豫动力学研究，展示了机器学习模型在大规模动力学建模中对游离磁体的有希望的潜力。

Nov, 2023

多体系统中的力学定律学习

使用机器学习模型分析含有尘埃的等离子实验中的粒子运动轨迹，得出了符合物理约束条件的力学定律，揭示了新的尘埃等离子物理学，表明机器学习在多体系统中引导科学发现的新途径。

Oct, 2023

物理约束机器学习中的电子激发态

数据驱动技术与物理近似相结合的例子展示了机器学习在电子结构计算中的应用，从而提高了模型的可迁移性和可解释性，节省了计算成本，并为发展机器学习增强型电子结构方法提供了蓝图。

Nov, 2023

利用机器学习快速准确地建模分子原子化能

我们引入了一个机器学习模型来预测有机分子的原子化能，基于核电荷和原子位置。该回归模型是通过将求解分子 Schr"odinger 方程的问题映射为复杂度较低的非线性统计回归问题。我们使用杂化密度泛函理论计算的原子化能进行回归模型的训练和比较。通过对超过七千个小有机分子进行交叉验证，得到的平均绝对误差为～10 kcal/mol。该模型的适用性已经通过预测分子原子化潜能曲线得到证明。

Sep, 2011

机器比理论家更聪明吗：用符号回归推导粒子运动学公式

利用符号回归推导解析公式，首先应用于算法定义的动力学变量，然后再次应用于 NLO 几何变量的推导。

Nov, 2022