Neutron drip line in the Ca region from Bayesian model averaging
重钙同位素区域形成了实验和理论原子核结构研究的前沿，在那里核物理的基本概念受到严格的检验。最近在$^{60}$ Ca周围发现了极富中子核[Tarasov，2018]，并通过实验测定了$^{55-57}$ Ca的质量（Michimasa，2018），提供了有关该区域结合能表面的独特信息。为了评估这些实验发现对核景观程度的影响，我们使用全局质量模型和统计机器学习来预测Si和Ti之间的结合核素，并具有量化的确定性水平。使用基于高斯过程的外推的贝叶斯模型平均分析，我们引入后验概率$p_{ex}$为每个核被绑定到中子发射。我们发现，外推滴线的位置，在核结合结束，是一致的全球质量模型使用，尽管他们的原始预测之间的显着变化。特别是，考虑到目前的实验信息和当前的全球质量模型，我们预测，$^{68}$钙有一个平均后验概率${p_{ex}\approx76}$ %被绑定到两个中子发射，而核$^{61}$钙很可能通过发射中子衰变（${p_{ex}\approx 46}$ %）。
2020-01-16 nucl-th stat.ML
Efficient Bayesian Learning Curve Extrapolation using Prior-Data Fitted Networks
Machine Learning Lab（机器学习实验室）；University of Freiburg（弗莱堡大学）
本文提出 LC-PFN，利用先验数据拟合网络以单次前向传播实现高效贝叶斯学习曲线外推，在精度上超过 MCMC 且速度提升超万倍，并在多个基准上验证了其外推性能与早停加速效果。
2023-10-31 cs.AI cs.LG stat.ML
Bayesian optimization in ab initio nuclear physics
Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）
强核相互作用的理论模型包含未知的耦合常数（参数），必须使用校准数据池来确定。在模型复杂的情况下，导致计算耗时，系统地搜索相应的参数域以获得与数据的最佳拟合是特别具有挑战性的。本文探讨了在核相互作用的手征有效场论描述中，应用贝叶斯优化来约束耦合常数的前景。我们发现贝叶斯优化在低维参数域中表现得相当好，并且可以预见它对于优化较小的耦合常数集特别有用。一个具体的例子可以是使用有限核或三核子散射实验的数据来确定主导的三核子力。
2019-02-03 cs.LG nucl-th stat.ML
Beyond the proton drip line: Bayesian analysis of proton-emitting nuclei
核景观的极限由核结合能决定。在质子滴线之外，分离能变为负值，没有足够的结合能来阻止质子逃离核。预测质子发射体的广大区域中不稳定核态的性质对核理论构成了相当大的挑战，因为它通常涉及远距离外推。此外，在质子丰富的领域，核模型之间的显着差异需要量化的预测。在贝叶斯方法的帮助下，我们将一系列核质量模型与在实验质量测量上训练的统计模拟器相结合，在核图表的质子丰富区域进行校正。在核密度泛函理论中使用几个Skyrme和Gogny能量密度泛函计算分离能。我们还考虑了基于天体物理学研究中使用的两种模型的质量预测。使用在分离能量残差上训练的贝叶斯高斯过程并通过贝叶斯模型平均组合来获得每个模型的量化预测。我们得到了一个很好的协议之间的平均预测统计校正模型和实验。特别是，我们量化模型的结果为一个和两个质子的分离能量和质子发射的概率。这些信息使我们能够产生一个量化的富质子核景观。最有希望的候选人的两个质子衰变研究已经确定。在这项工作中使用的方法有广泛的应用，以模型为基础的各种核观测值的外推。它还提供了一个可靠的理论预测的不确定性量化。
2020-01-16 nucl-ex nucl-th stat.ML
Bayesian Framework for Multi-Source Data Integration -- Application to Human Extrapolation From Preclinical Studies
提出一个四步贝叶斯框架整合多源临床前数据外推至人类，以更精确预测剂量相关指标，减少不确定性并优化剂量选择。
2022-12-01 stat.ME
Ensembling geophysical models with Bayesian Neural Networks
University of Cambridge（剑桥大学）；Lancaster University（兰卡斯特大学）；British Antarctic Survey（英国南极调查局）
地球物理模型的集合提高了投影精度并表达了不确定性。我们开发了一种新的数据驱动的集成策略，使用贝叶斯神经网络，推断时空变化的模型权重和偏差，同时考虑异方差的不确定性的观察相结合的地球物理模型。这产生了更准确和不确定性感知的预测，而不会牺牲可解释性。应用于15个化学气候模型的集成总柱臭氧的预测，我们发现贝叶斯神经网络集成（BayNNE）优于现有的集成方法，实现了49.4%的时间外推的RMSE减少，和67.4%的RMSE减少极地数据空隙，相比加权平均值。不确定性也得到了很好的表征，我们的外推验证数据集中90.6%的数据点在2个标准差内，98.5%在3个标准差内。
2020-10-07 cs.LG physics.geo-ph stat.AP
Local Bayesian Dirichlet mixing of imperfect models
本文提出利用 Dirichlet 分布的局部贝叶斯模型混合框架，扩展 Bayesian stacking，并在核质量预测中证明其精度、不确定性量化和外推稳健性优于经典贝叶斯模型平均。
2023-11-02 nucl-th stat.ME stat.ML
Bayesian joint modelling of longitudinal biomarkers to enable extrapolation of overall survival: an application using larotrectinib trial clinical data
Visible Analytics；Bayer Pharmaceuticals（拜耳制药）；University Medical Centre Hamburg Eppendorf（汉堡埃普多夫大学医学中心）；University Cancer Institute and the Department of Oncology, University Hospital Fundacion Jimenez Diaz, Autonomous University（胡安·希梅内斯·迪亚兹基金会大学医院肿瘤科及癌症研究所，自治大学）；Institut Bergonié（贝尔戈涅研究所）；Gustave Roussy Comprehensive Cancer Center（古斯塔夫·鲁西综合癌症中心）；Department of Statistics, University of Warwick（华威大学统计系）
本研究利用贝叶斯联合建模方法，通过肿瘤负荷等中间生物标志物预测总生存期，相较于传统方法，提高了生存预测的准确性，并能处理复杂的数据结构。
2025-12-18 stat.ME
Comparison of Bayesian methods for extrapolation of treatment effects: a simulation study
Quinten Health
本文通过大规模模拟研究比较了贝叶斯方法在治疗效应外推中的性能，发现条件功率先验和稳健混合先验效果更佳，而测试后合并变体和基于p值的功率先验表现欠佳。
2026-10-16 stat.AP stat.ME
Bayesian averaging of computer models with domain discrepancies: a nuclear physics perspective
本文研究贝叶斯模型平均（BMA）的背景下，竞争昂贵的计算机模型在一个典型的核物理设置。虽然这是众所周知的，BMA帐户的模型本身的额外的不确定性，我们表明，它也通过显式分解减少预测误差的后验方差。我们将BMA扩展到竞争模型定义在不同研究区域的情况。任何模型的局部预测困难都可以通过从平均模型获得的预测来抵消，从而将单个模型扩展到整个域。我们通过教学模拟和应用程序来说明我们的方法，预测核观测值，表现出令人信服的改进BMA预测误差和经验覆盖概率。
2019-08-22 nucl-th physics.data-an stat.AP
GPatt: Fast Multidimensional Pattern Extrapolation with Gaussian Processes
U. Cambridge（剑桥大学）；WUSTL（圣路易斯华盛顿大学）；Columbia U.（哥伦比亚大学）
高斯过程通常用于小数据集的平滑和插值。我们介绍了一个新的贝叶斯非参数框架- GPatt -使自动模式外推与高斯过程的大型多维数据集。GPatt统一并扩展了高度表达的内核和快速精确推理技术。没有人为干预-没有手工制作的内核功能，也没有复杂的初始化程序-我们表明，GPatt可以解决大规模的模式外推，修复和内核发现问题，包括383400训练点的问题。我们发现，GPatt显着优于流行的替代可扩展的高斯过程方法的速度和准确性。此外，我们发现这些方法之间的深刻差异，这表明表达内核，非参数表示和精确推理是有用的建模大规模多维模式。
2013-12-31 cs.AI cs.LG stat.ME
Local Gaussian process extrapolation for BART models with applications to causal inference
贝叶斯加性回归树（BART）是一种半参数回归模型，在样本外预测方面提供了最先进的性能。尽管取得了这一成功，但BART的标准实现通常在训练数据范围之外的点处提供不准确的预测和过窄的预测区间。提出了一种新的外推策略，将高斯过程移植到BART中的叶节点，用于预测观测数据范围之外的点。新方法相比，标准的BART实现和最近的频率重采样为基础的预测推理方法。我们将新的方法应用到一个具有挑战性的问题，从因果推断，其中对于预测空间的某些区域，只观察到治疗或未治疗的单位（但不是两者）。在仿真研究中，新方法与流行的替代方案（如Jackknife+）相比具有更优越的性能。
2023-02-24 econ.EM stat.CO stat.ME
Offline Contextual Bayesian Optimization for Nuclear Fusion
Carnegie Mellon University（卡内基梅隆大学）；University of California Berkeley（加州大学伯克利分校）；Princeton Plasma Physics Laboratory（普林斯顿等离子体物理实验室）
核聚变被认为是未来的能源，因为它提供了无限清洁能源的可能性。利用聚变作为可行的能源的一个障碍是反应的稳定性。理想情况下，人们将具有用于反应器的控制器，其响应于等离子体的当前状态而做出动作，以便尽可能长地延长反应。在这项工作中，我们做了初步的步骤来学习这样的控制器。由于在真实世界的反应堆上学习是不可行的，我们试图通过模拟器离线学习最优控制来解决这个问题，在模拟器中可以明确地设置等离子体的状态。特别是，我们引入了一个理论上接地贝叶斯优化算法，建议在每次迭代的状态和动作对评估，并表明这会导致更有效地使用模拟器。
2020-01-06 cs.LG stat.ML
Nuclear Norm-Regularized Bayesian Matrix Completion
Cornell University（康奈尔大学）
针对核范数正则化贝叶斯矩阵补全，提出首个具有非渐近保证的多项式时间采样器，通过离散化噪声精度并利用热力学积分构建后验，证明了可行性。
2026-10-28 cs.LG stat.ML
Gaussian Process Kernels for Pattern Discovery and Extrapolation
University of Cambridge（剑桥大学）；Harvard University（哈佛大学）
高斯过程是函数上的丰富分布，它为平滑和插值提供了贝叶斯非参数方法。我们引入了简单的封闭形式的内核，可以与高斯过程一起使用，以发现模式并实现外推。这些内核是通过模拟一个频谱密度-内核的傅立叶变换-高斯混合。所提出的内核支持一个广泛的类的平稳协方差，但高斯过程推理保持简单和分析。我们通过发现模式和对合成示例进行长范围外推，以及大气CO2趋势和航空公司乘客数据来证明所提出的内核。我们还表明，我们可以在我们的框架内重建标准协方差。
2013-12-31 cs.AI stat.ME stat.ML
Bayesian spline method for assessing extreme loads on wind turbines
本研究提出一种贝叶斯参数模型，用于估计风力涡轮机上的极端载荷。极端载荷是涡轮机在其使用寿命期间将经历的施加在涡轮机结构上的最高应力水平。风力涡轮机应设计成抵抗如此高的负载以避免灾难性的结构故障。为了评估极端载荷，通过进行现场测量活动或进行气动弹性模拟研究来评估涡轮机结构响应。一般来说，在任何一种情况下获得的数据都不足以代表所有可能的天气条件下的各种载荷响应。需要适当的外推法来表征涡轮机使用寿命中的结构载荷。本研究设计了一种贝叶斯样条方法，用于这种外推的目的，使用的负载数据收集的时间比涡轮机的使用寿命短得多。应用样条方法对三组涡轮机的载荷响应数据进行处理，以估计涡轮机叶片根部相应的极限载荷。与当前的行业实践相比，样条方法似乎提供了更好的极限载荷评估。
2014-01-13 stat.AP
Inverse Uncertainty Quantification by Hierarchical Bayesian Modeling and Application in Nuclear System Thermal-Hydraulics Codes
本文提出一种新颖的分层贝叶斯模型，有效缓解了核热工水力系统逆向不确定性量化中物理模型参数高变异性和过拟合问题，提供更优的后验分布估计并具备推广至大型数据库的潜力。
2024-03-26 physics.data-an stat.CO
Safe Imitation Learning via Fast Bayesian Reward Inference from Preferences
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Applied Research Laboratories, The University of Texas at Austin（德克萨斯大学奥斯汀分校应用研究实验室）
通过演示进行贝叶斯奖励示教学习，可在执行模仿学习时进行严格的安全性和不确定性分析。然而，贝叶斯奖励学习方法对于复杂的控制问题通常是计算上难以处理的。我们提出了贝叶斯奖励外推（贝叶斯REX），一个高效的贝叶斯奖励学习算法，规模高维模仿学习的问题，通过预训练低维特征编码通过自我监督的任务，然后利用偏好的演示，以执行快速贝叶斯推理。Bayesian REX可以从演示中学习玩Atari游戏，而无需访问游戏分数，并且可以在个人笔记本电脑上仅用5分钟就从奖励函数中生成100，000个样本。贝叶斯REX还导致模仿学习性能与仅学习奖励函数的点估计的最新方法竞争或更好。最后，Bayesian REX能够在不访问奖励函数样本的情况下进行高效的高置信度策略评估。这些高置信度性能界限可用于对各种评估策略的性能和风险进行排名，并提供一种检测奖励投机行为的方法。
2020-12-17 cs.LG stat.ML
Non-parametric Bayesian approach to extrapolation problems in configuration interaction methods
提出了一种基于约束高斯过程的非参数外推组态相互作用方法。我们的方法有许多优点：（i）适用于小数据集，如{ \it从头计算}方法的结果，（ii）灵活性，将约束，这是由物理指导，到外推模型，（iii）提供预测量化外推不确定性等。在本研究中，我们显示了应用程序的外推需要在全组态相互作用方法作为一个例子。
2020-03-13 nucl-ex nucl-th
Adaptive Bayesian credible sets in regression with a Gaussian process prior
本文研究了两种经验贝叶斯方法和一种分层贝叶斯方法，用于在非参数回归模型中调整高斯过程的尺度。我们表明，所有的方法导致后收缩率，适应真正的回归函数的平滑度。此外，我们还证明了当真实回归函数满足一定的外推条件时，相应的可信集覆盖了该函数。这个条件取决于具体的方法，但是由自相似性的条件所暗示。后一个条件被证明是满足概率1下的先验分布。
2015-04-29 math.ST stat.TH
Bayesian Spatial Monotonic Multiple Regression
我们考虑单调，多元回归的一组连续的区域（格子数据）。回归函数在区域之间允许变化，并表现出地理结构。我们开发了新的贝叶斯非参数方法，它允许连续和不连续的功能形状，并估计使用标记点过程和可逆跳马尔可夫链蒙特卡罗技术。地理上的依赖性是由一个灵活的先验分布，参数化允许依赖性随功能水平而变化。该方法使用贝叶斯全局优化和交叉验证进行调整。估计值可用于变量选择、阈值检测和预测以及回归函数的外推。我们的方法的性能和灵活性说明了模拟研究和挪威保险数据集的应用。
2016-05-19 stat.ME
A Bayesian approach to chiral extrapolations
从数据中确定低能常数是大多数有效场论程序的重要组成部分，包括手征微扰理论。我们提出了一种基于贝叶斯概率理论的新方法，它使我们能够解决参数提取的标准方法的几个缺点。使用一个玩具模型，我们认为贝叶斯方法是非常适合的应用在有效场论。我们还讨论了它在格点量子色动力学数据中的应用。
2009-09-21 nucl-th
Bayesian estimation of optical constants using mixtures of Gaussian process experts
Aalto University（阿尔托大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；LUT University（拉彭兰塔-拉赫蒂理工大学）
本文提出利用高斯过程专家混合建模吸收光谱测量，通过灵活的统计模型实现插值与外推，并结合Kramers-Kronig关系估计复折射率。同时统计建模锚点以考虑测量误差，自动选择外推测量点。
2026-03-27 physics.data-an stat.AP
Extrapolation of Tempered Posteriors
King’s College London（伦敦国王学院）；Newcastle University（纽卡斯尔大学）；ENSAE, Institut Polytechnique de Paris（巴黎高等统计与行政学院，巴黎理工学院）；Alan Turing Institute（艾伦·图灵研究所）
本文针对贝叶斯计算中后验分布近似问题，提出基于回火期望外推与平滑的新方法，可作为序贯蒙特卡洛的后处理方差缩减工具，无需高质量近似$p_1$即可得到所需后验量。
2026-08-20 math.ST stat.CO stat.ME
Variational procedure for nuclear shell-model calculations and energy-variance extrapolation
本文讨论了核壳模型计算的变分计算，提出了一种新的能量方差外推法（EVE）的计算方法，该方法利用由变分计算得到的近似波函数序列。波函数被描述为线性组合的宇称，角动量投影斯莱特行列式，其能量被最小化的共轭梯度法遵守变分原理。EVE通常使用波函数工作良好，但我们发现一些困难的情况下，EVE给出了一个穷人的估计。我们讨论了形状共存的估计差的起源。我们发现，适当的斯莱特行列式的重新排序，使我们能够克服这个困难，并减少外推的不确定性。
2012-04-12 nucl-th
Bayesian calibration with summary statistics for the prediction of xenon diffusion in UO2 nuclear fuel
裂变气体的演化和释放影响着UO2核燃料的性能。我们已经创建了一个贝叶斯框架来校准一个新的裂变气体传输模型，该模型预测了热平衡和辐照条件下UO2中铀和氙的扩散速率。数据集取自历史扩散，气体释放和热力学实验。这些数据集总是由汇总统计数据组成，包括具有相关不确定性的测量值。我们的校准策略使用合成数据集，以估计模型中的参数，使所得模型预测与报告的汇总统计量一致。这样，报告的不确定性有效地反映在推断的不确定性参数中。此外，为了保持我们的方法在计算上易于处理，我们取代了裂变气体演化模型的多项式代理模型与减少的参数，这是确定使用全球敏感性分析。我们讨论了我们的校准策略的有效性，并研究了如何从文献中的多个来源，不同的数据集的贡献，可以加权的似然函数构建作为我们的贝叶斯校准设置的一部分，以考虑到不同数量的数据点，在每组数据摘要。我们的研究结果表明，校准的扩散率和非化学计量预测和给定的数据摘要之间的良好匹配。我们证明了校准的氙扩散率与Turnbull等人（1982）建立的拟合之间的良好一致性，表明模型中占主导地位的铀空位扩散机制能够捕获数据中的趋势。
2023-02-17 stat.AP
Information criteria for multistep ahead predictions
我们提出了一个多步预测的信息准则。它也用于外推。对于推导，我们考虑多步提前预测下的局部误指定。在预测中，我们表明，贝叶斯预测分布渐近有较小的Kullback-Leibler风险比插件预测分布。从结果中，我们构建了一个信息准则，多步预测，通过使用渐近无偏估计的Kullback-Leibler风险的贝叶斯预测分布。我们整个数值实验中所提出的信息标准的有效性。
2015-03-09 math.ST stat.TH
Extrapolation of nuclear structure observables with artificial neural networks
原子核的计算通常在有限模型空间中进行。因此，有限尺寸的修正进入，它是必要的外推计算的观测到无限的模型空间。在这项工作中，我们采用基于人工神经网络的外推方法，如基态能量和点质子半径的观测。我们外推结果从无核壳模型和耦合集群计算非常大的模型空间和估计的不确定性。在不同的数据上训练网络通常会产生围绕不同值聚集的外推结果。我们表明，输入数据的预处理，并包括输入数据之间的相关性，减少了多个解决方案的问题，并产生更稳定的外推结果和一致的不确定性估计。我们进行外推的基态能量和半径的$^{4}$他，$^{6}$李，和$^{16}$ O，并比较神经网络的预测与红外外推的结果。
2019-10-26 nucl-th
Controlling extrapolations of nuclear properties with feature selection
由于我们对核力的认识和对强相互作用系统中量子多体效应的处理存在不确定性，因此，对核性质的预测与测量数据相差甚远，这本身就是不精确的。虽然当实验数据可用时可以直接计算模型偏差，但在没有此类测量的情况下只能进行估计。当前计算估计偏差的方法在输入变量（如质子或中子数）外推时很快失去预测能力，导致核合成模拟等应用中不受控制的不确定性。在这封信中，我们提出了一种新的技术来识别机器学习算法的输入变量，可以提供模型偏差的鲁棒估计。我们的过程是基于选择输入变量或特征，基于它们在整个核图表中的概率分布函数。我们说明了我们的方法上的问题，量化的模型偏差的核结合能计算与密度泛函理论（DFT）。我们表明，特征选择可以系统地提高理论预测，而不会增加不确定性。
2022-01-21 nucl-th
Nuclear Lattice Simulations using Symmetry-Sign Extrapolation
手征有效场论的投影蒙特卡罗计算受到符号振荡的影响，其程度取决于质子和中子的数目。因此，迄今为止，这些研究都集中在质子数和中子数相等的原子核上，尤其是符号振荡最小的α原子核上。在这里，我们介绍了“符号外推”方法，它允许我们使用近似的Wigner SU（4）对称性的核相互作用，系统地扩展投影蒙特卡罗计算的核系统中的符号问题是严重的。我们通过计算$^{12}$ C、$^6$ He和$^6$ Be核的基态能量对该方法进行了基准测试，并讨论了它在研究丰中子晕核和非对称核物质方面的潜力.
2015-07-07 hep-lat hep-ph nucl-th
Deep learning: Extrapolation tool for ab initio nuclear theory
Iowa State University（爱荷华州立大学）；Horia Hulubei National Institute for Physics and Nuclear Engineering（霍里亚·胡卢贝伊国家物理与核工程研究所）；Moscow State University（莫斯科国立大学）；Pacific National University（太平洋国立大学）；Institute for Basic Science（基础科学研究所）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
原子核理论中的从头算方法，如无核壳模型（NCSM），已经发展用于近似求解具有实际强相互作用的有限核。NCSM和其他方法需要将在有限基空间中获得的结果外推到无限基空间极限，并评估这些外推的不确定性。每一个观测值都需要一个单独的外推，大多数观测值都没有经过验证的外推方法。我们提出了一种前馈人工神经网络（ANN）方法作为外推工具，以获得基态能量和基态点质子均方根（rms）半径以及它们的外推不确定性。所设计的人工神经网络是足够的，以产生这两个非常不同的可观的结果在$^6$李从从头算NCSM结果在小的基础空间，满足以下理论物理条件：在极大矩阵的限制的基础空间参数的独立性。ANN结果与其他外推方法的比较也提供。
2019-06-06 cs.LG nucl-th
Extrapolations of nuclear binding energies from new linear mass relations
我们提出了一种方法来外推核结合能从已知的相邻核的值。我们选择了四个特定的质量关系，以消除平滑变化的结合能作为函数的核子数。通过比较具有相同宇称的核，避免了快速的奇偶变化。质量关系的第一次测试和显示，要么是相当准确地服从或揭示签名的快速变化的结构。外推最初是通过应用这些关系的每一个核。然后通过平均或选择最平滑结构进入的外推法产生非常可靠的估计。利用$Q_α$值对应的质量关系研究超重元素的一般结构。在$N = 152$可以看到一个较小的中子壳层，但在超重区没有明显的其他壳层结构的迹象。精确度通常大大优于$0.5$~MeV。
2014-08-26 nucl-ex nucl-th
Robust extrapolation using physics-related activation functions in neural networks for nuclear masses
本研究用物理相关激活函数替代神经网络中的非线性函数，仅基于中子数和质子数构建高精度核质量模型，显著提升外推性能并增强模型可解释性。
2025-07-10 nucl-th
Two-dimensional extrapolation procedure for ab initio study of nuclear size parameters and the properties of halo nucleus 6He
本文提出了一种新的二维程序，将无核壳模型（NCSM）计算中得到的物质、中子和质子半径值外推到无限大的基上。半径之间的关系被用作附加测试。连同JISP 16势，这是经常使用的NCSM计算的半径，大田16势应用于这些目的的第一次。晕核6 He是研究的对象。半径值的小范围的传播，成功的测试使用这三个半径值之间的关系，以及所获得的结果与实验数据以及其他先进的从头计算的结果之间的合理的协议表明，所开发的方法的高效率，因此，它的应用前景良好。所进行的调查和其他研究结果的分析表明，6 He晕有一个大的尺寸0.7 - 0.8微米。
2022-05-27 nucl-th
Improving Predictions with Reliable Extrapolation Schemes and Better Understanding of Factorization
我们研究了低能核物理计算中两种不同的不确定性来源，并提出了解决这些不确定性的方法。谐振子基展开在从头计算原子核结构中有着广泛的应用。有限的计算资源通常要求在观测量完全收敛之前截断基，这就需要可靠的外推方案。我们表明，有限振子基础有效地施加了硬壁边界条件。我们准确地确定了作为振子空间参数的函数的硬壁的位置，推导出的能量和其他可观的外推公式，并讨论了这种方法的扩展到更高的角动量。核子敲除反应已被广泛用于研究和理解核性质。这样的分析隐含地假设探测器的效应可以与靶核的物理特性分开。这种原子核结构和反应组分之间的因式分解依赖于重整化标度和方案，并且还没有得到很好的理解。但它对于解释实验和提取与过程无关的核特性可能至关重要。利用相似性重整化群（SRG）变换，系统地研究了最简单的氘核电衰变敲除过程的因子分解的尺度依赖性。我们发现，规模依赖的程度强烈依赖于运动学，但在一个系统的方式。基于检查相关的重叠矩阵元素，我们能够定性地解释，甚至预测的性质尺度依赖的基础上考虑的运动学。
2016-08-03 nucl-th
High-precision ab initio nuclear theory: Learning to overcome model-space limitations
Institut für Kernphysik, Technische Universität Darmstadt（达姆施塔特工业大学核物理研究所）
本文探讨了利用机器学习克服传统模型空间限制的方法，通过高精度预测核性质，提升从头算核结构计算的可靠性与预测能力。
2026-04-09 nucl-th
Nuclear Mass Predictions Using a Neural Network with Additive Gaussian Process Regression-Optimized Activation Functions
本文首次将加性高斯过程回归优化激活函数的神经网络用于核质量预测，发现插值与外推需不同超参数，合适参数下可实现良好外推，有助于预测未知核质量。
2025-09-10 nucl-th
On the behaviour of the nuclear spectral function at high momentum and removal energy
提出了在大核子三动量和大去除能下核谱函数的外推方法。
1998-11-03 nucl-th
Nuclear masses in extended kernel ridge regression with odd-even effects
核岭回归（KRR）方法进行了扩展，包括核质量预测中的奇偶效应，通过重新调制的核函数，而不引入新的权重参数和输入的训练网络。以WS4质量模型为例，用扩展的KRR网络预测核图中每个核的质量，该网络用质量模型残差训练，即，已知质量的其他原子核的实验质量和计算质量之间的偏差。对于具有$Z\ge8$和$N\ge8$的2353个原子核，所得到的与可用实验数据的均方根质量偏差可以减小到128 keV，这提供了迄今为止来自机器学习方法的最精确的质量模型。此外，扩展的KRR方法可以避免在大外推距离下质量预测恶化的风险，同时，它提供了一个关于奇数和偶数外推距离的平滑外推行为。
2021-05-22 nucl-ex nucl-th
Extrapolation of mean-field models to superheavy nuclei
本文讨论了自洽核平均场模型在超重元素区的外推问题，着重讨论了模型的外推能力。现代平均场模型的预测面临着最近的实验数据。结果表明，根据现有的数据，不能得出关于球形双魔超重核岛位置的最终结论。
2000-10-29 nucl-th
Extrapolation Method for the No-Core Shell Model
核多体计算在计算上要求很高。即使在当今的超级计算机上，对它们的准确性的估计也常常受到有限的计算资源的阻碍。我们提供了一种基于微扰理论的外推方法，使得大基空间计算的结合能可以在不对角化该空间中的哈密顿量的情况下估计。外推方法是测试3H和6Li核。它将大大扩展我们的计算能力，并允许可靠的误差估计。
2004-01-21 nucl-th
Machine Learning for the Prediction of Converged Energies from Ab Initio Nuclear Structure Calculations
在有限的模型空间之外，通过现代从头计算方法，如无核壳模型，预测核的可观测量，提出了一个具有挑战性的任务，在原子核结构理论。它需要可靠的工具来外推观测到无限多体希尔伯特空间以及可靠的不确定性估计。在这项工作中，我们提出了一个通用的机器学习工具，能够捕获独立于核和相互作用的可观测的特定收敛模式。我们表明，一旦在少体系统上训练，人工神经网络可以对广泛的轻核产生准确的预测。特别是，我们讨论了基态能量的神经网络预测从无核壳模型计算为6Li，12 C和16 O的基础上训练数据为2H，3H和4He，并将它们与经典的外推。
2023-03-14 nucl-th
Bayesian probability updates using Sampling/Importance Resampling: Applications in nuclear theory
我们回顾了一个既定的贝叶斯抽样方法，称为抽样/重要性reservation和突出的情况下，在核理论时，它可以是特别有用的。为此，我们既分析了一个玩具问题，并展示了现实的应用程序的重要性rescue推断$Δ$ NNLO相互作用模型的参数的后验分布的基础上手征有效场论和估计目标观测量的后验概率分布。该方法的局限性也显示在极端的情况下，重要性reservation打破。
2022-10-05 nucl-th
Improved phenomenological nuclear charge radius formulae with kernel ridge regression
采用高斯核岭回归（KRR）方法，通过几个唯象公式改进了核电荷半径的描述。以广泛使用的$A^{1/3}$、$N^{1/3}$和$Z^{1/3}$公式为例，考虑了同位旋相关性，对它们进行了改进.用Levenberg-Marquardt方法对这六个公式中的参数进行了修正，得到了比以前更好的结果。每个核的半径是用KRR网络预测的，该网络是用实验和计算的核电荷半径之间的偏差来训练的。对于每一个公式，在考虑KRR方法的修正后，得到的质子数$Z \geq 8$和中子数$N \geq 8$的884个核的均方根偏差可减小到约0.017 fm。详细考察了KRR方法对丰中子区的外推能力，并与径向基函数方法进行了比较。结果表明，用KRR方法改进的核电荷半径公式避免了过拟合的风险，具有良好的外推能力。讨论了脊罚项对KRR方法外推能力的影响。最后，对最近观测到的几种K、Ca同位素的核电荷半径进行了分析。
2022-03-26 nucl-ex nucl-th
Direct comparison between Bayesian and frequentist uncertainty quantification for nuclear reactions
直到最近，低能核理论中的不确定性量化通常使用频率论方法进行。然而，在过去的几年里，该领域已经转向贝叶斯统计评估置信区间。虽然有统计学上的论点倾向于贝叶斯方法，但没有直接的比较。在这项工作中，我们比较，直接和系统地，频率论和贝叶斯方法来量化直接核反应的不确定性。从相同的初始假设开始，我们确定了与弹性和转移过程相关的置信区间，这两种方法，通过比较经验覆盖概率对数据进行评估。可以预期的是，频率论方法在探索参数空间方面不如贝叶斯方法灵活，并且通常会以不同的最小值结束。我们还表明，这两种方法产生显着不同的相关性。最后，频率论的方法产生显着更窄的不确定性所考虑的观测比贝叶斯。我们的研究表明，反应的不确定性在这里考虑贝叶斯方法更准确地代表现实比窄得多的不确定性使用标准的频率论方法。
2019-05-13 nucl-th
Validation and extrapolation of atomic mass with physics-informed fully connected neural network
本文比较三种改进神经网络用于原子质量验证与外推，采用宏观—微观建模并引入核物理约束，在 AME2020 及跨版本外推中显著提升精度并复现关键核现象。
2025-03-17 nucl-ex nucl-th
Equation of State Extrapolation Systematics: Parametric vs. Nonparametric Inference of Neutron Star Structure
Hamburger Sternwarte（汉堡天文台）
本文比较了参数法与非参数法在推断中子星结构中的应用，通过多信使观测数据联合约束物态方程和中子星质量分布，发现非参数方法在高密度外推中能提供更稳健的不确定性量化。
2026-05-15 astro-ph.HE gr-qc nucl-th
The mass of $^{101}$Sn and Bayesian extrapolations to the proton drip line
Facility for Rare Isotope Beams, Michigan State University（稀有同位素束流设施，密歇根州立大学）；Department of Physics and Astronomy, Michigan State University（密歇根州立大学物理与天文学系）；Department of Physics and Astronomy, University of Notre Dame（圣母大学物理与天文学系）
本研究通过Penning陷阱测量首次确定$^{101}$Sn质量，并利用贝叶斯模型框架外推锡同位素质量，表明$^{96}$Sn为双质子滴线核，预测$^{100}$Sn质量更符合GSI测量结果。
2026-01-23 nucl-ex nucl-th
Physics Informed Bayesian Machine Learning of Sparse and Imperfect Nuclear Data
State Key Laboratory of Nuclear Physics and Technology, School of Physics, Peking University（北京大学物理学院核物理与技术国家重点实验室）；China Nuclear Data Center, China Institute of Atomic Energy（中国原子能科学研究院中国核数据）
本研究通过引入物理信息的贝叶斯方法，利用稀疏且不完整的核数据，提高裂变产物产量能量依赖性的预测精度。
2026-02-02 nucl-th
Quantum-inspired Bayesian probability algorithm for nuclear mass predictions
College of Science, China University of Petroleum (East China)（中国石油大学（华东）理学院）
提出一种受量子动力学启发的贝叶斯概率算法，通过将理论-实验质量残差映射为希尔伯特空间波函数并求解薛定谔方程得到势能，结合玻尔兹曼分布构建先验和似然概率密度函数，利用贝叶斯定理预测核质量残差，显著降低了WS4和HFB模型的标准差并展现出强外推能力。
2026-05-30 nucl-th
Recent Developments in Quark Nuclear Physics
我们提供了一个概述，最近的工作探索夸克质量的强子观测值和手征非分析行为的相关作用，由于介子云的强子。特别是，我们解决了一个问题，即通过控制外推的格点量子色动力学模拟结果的模型独立性的程度。突出强调了从这项研究中获得的物理见解。我们强调如何手征有效场论制定了一个有限范围的调节器提供了一个可靠的和模型无关的外推到物理世界。
2004-06-01 hep-lat nucl-th
Improved predictions of phenomenological nuclear charge radius formulae with Bayesian optimization approach
本研究结合原始唯象核电荷半径公式与贝叶斯神经网络，探究输入对贝叶斯优化预测效果的影响，发现物理输入特性会作用于优化性能与网络鲁棒性，并证实满足隐藏层神经元数大于输入数时增加隐藏层可显著提升核电荷半径预测效果。
2024-05-21 nucl-th
Directional correlations in nuclear charge-radius model residuals enable extrapolation with calibrated uncertainties
Indian Institute of Technology (Indian School of Mines)（印度理工学院（印度矿业学院））；GSI Helmholtzzentrum für Schwerionenforschung GmbH（吉森亥姆霍特重离子研究中心有限公司）；Justus-Liebig-Universität Gießen（吉森尤斯图斯-李比希大学）；Saint Mary’s University（圣玛丽大学）；TRIUMF（特里厄姆夫实验室）
研究发现核电荷半径模型残差的方向相关性，提出ARCUS方法校正WS*和HFB-25的误差，外推时可保持预测区间覆盖率，还扩展了1008个未测量核的预测以支撑未来测量。
2026-08-27 nucl-ex nucl-th
Concavity for nuclear binding energies, thermodynamical functions and density functionals
序列的实验基态能量为奇数和偶数$A$映射到凹模式固化凸由于配对和/或壳效应。同样的模式，由激发能的列表完成，给出了在低温或中温$T=β^{-1}$和许多化学势$μ.$下混合核的巨势$Ω(β,μ)$的数值估计。平均核子数$<{\bf A} >(β,μ)$然后变成一个连续变量，允许外推到更接近滴线的核质量。我们研究了几个化学函数，如自由能和平均能量，作为$<{\bf A} >.$的函数的可能性，凹，这总是发生的自由能，通常是目前的平均能量，允许容易的插值和外推提供上限和下限，分别结合能。这样的界限定义了结合能预测的误差线。最后，我们展示了在核密度泛函理论中，量子数和普适性是如何联系在一起的。
2009-07-07 nucl-th
