Mapping topology to nuclear dilaton-HLS effective field theory for dense baryonic matter
我们描述了正在进行的努力，制定重子-夸克连续性的拓扑结构变化的状态方程（EOS）的致密重子物质的类比-和启发-映射的特点，陈-西蒙拓扑场论的科恩-沙姆密度泛函理论的分数量化霍尔效应（SHANHE）。这是通过翻译的skyrmion半skyrmion过渡制定的隐藏的局部对称性和（隐藏）规模对称性的存在下的密度依赖的特性的密度依赖参数的重整化群方法费米液体不动点理论。在有限核和无限致密星物质的预测。
2021-03-02 hep-ph nucl-th
Data-driven analysis of dipole strength functions using artificial neural networks
本文利用人工神经网络学习216种原子核的实验偶极强度函数，在10个新核上验证预测能力，并用其核查实验一致性、补充稀疏数据及约束饱和密度对称能。
2024-12-03 nucl-th
First Excited 2+ Energy State Estimations of Even-even Nuclei by Using Artificial Neural Networks
原子核的第一激发2+能态提供了许多与原子核结构有关的重要信息。包括这些能级在内，所有的原子核激发态在自旋、宇称和能量上都是相同的。在偶偶核中，第一激发态一般为2+，其能量值随接近闭壳层而增大。原子核的激发态可以用核壳模型等理论模型来研究。本文首次用人工神经网络方法确定了核素图中偶偶核的前2+态能量与Z、N和A数的函数关系。我们采用文献值进行估计。根据结果，该方法是方便的这一目标，人们可以放心地使用的方法来确定的第一个2+态的能量值，其实验值不存在于文献中。
2022-01-18 nucl-th
Modeling inclusive electron-nucleus scattering with Bayesian artificial neural networks
本文提出用贝叶斯人工神经网络表示纵向和横向响应函数来建模包容性电子-核散射，避免直接参数化截面，并利用准弹性散射数据验证了方法的准确性与预测能力。
2024-06-10 hep-ex nucl-ex nucl-th
Matter radii from interaction cross sections using microscopic nuclear densities
Facility for Rare Isotope Beams, Michigan State University（稀有同位素束设施，密歇根州立大学）；Department of Physics and Astronomy, Michigan State University（物理与天文学系，密歇根州立大学）；Université Paris-Saclay, CNRS/IN2P3, IJCLab（巴黎萨克雷大学，法国国家科学研究中心/法国国家原子核及粒子物理研究所，IJCLab）；Institute for Theoretical Physics II, University of Erlangen（埃尔朗根大学理论物理第二研究所）
本文通过微观核密度理论研究核半径随质子和中子数的变化，利用不确定性量化的方法计算相互作用截面，为核结构和反应提供理论框架。
2026-03-19 nucl-ex nucl-th
Artificial Intelligence Supported Shell-Model Calculations for Light Sn Isotopes
双幻数核素$^{100}Sn$周围区域是核物理研究中的一个重要区域，它具有结构、反应和核天体物理等重要性质。用壳模型研究原子核结构的主要内容是单粒子能量和二体矩阵元。为了获得前者，$^{101}Sn$同位素谱的实验数据是必要的。由于没有足够的实验数据，文献中使用不同的方法来获得单粒子能量。在sn100pn相互作用中，利用空穴激发谱在$^{131}Sn$中确定中子单粒子能量。另一种方法是使用最轻的同位素，$^{107}Sn$，它描绘了模型空间轨道。在这项研究中，我们估计的$^{101}Sn$同位素的光谱的人工神经网络方法，以获得中子单粒子能量。在通过使用$^{100}Sn$同位素周围的核的实验谱进行训练之后，获得$^{101}Sn$谱。随后，中子SPE的模型空间轨道的定义。壳模型计算$^{102-108}Sn$同位素进行了比较的实验数据和结果得到广泛使用的相互作用在该地区，sn100 pn。结果表明，采用新的SPE值得到的Sn同位素谱与实验数据更加吻合。
2021-11-09 nucl-th
A Deep Learning Approach to Extracting Nuclear Matter Properties from Neutron Star Observations
理解致密QCD物质的状态方程仍然是核物理和天体物理中的一个重大挑战。从电磁波和引力波光谱对中子星的观测为致密富中子物质的行为提供了重要的见解。下一代望远镜和引力波观测站将提供对中子星更详细的观测。利用深度学习技术将中子星质量和半径观测映射到状态方程，可以准确可靠地确定。这项工作证明了使用深度学习直接从中子星观测数据中提取状态方程的可行性，并且还可以获得相关的核物质属性，例如饱和密度下核对称能的斜率，曲率和偏斜度。最重要的是，我们证明了这种深度学习方法能够重建\textit{realistic}状态方程，并推导出\textit{realistic}核物质的性质。这突出了人工神经网络在多信使天体物理学时代提供可靠和有效的手段来提取关于致密富中子物质的状态方程和相关性质的关键信息方面的潜力。
2023-03-30 astro-ph.HE nucl-ex nucl-th
Nuclear binding energy predictions using neural networks: Application of the multilayer perceptron
近年来，人工神经网络及其在大数据集上的应用已经成为科学研究的重要组成部分。在这项工作中，我们实现了多层感知器（MLP），这是一类前馈人工神经网络（ANN），预测原子核的基态结合能。两种不同的MLP架构与三个和四个隐藏层被用来研究他们的预测效果。为了训练MLP架构，使用两个不同的输入以及最新的原子质量表，并且结合能预测的变化也根据输入通道的变化进行分析。结果表明，采用合适的MLP结构，在输入通道中加入更多的物理信息，MLP可以快速、可靠地预测原子核的结合能，其结果与微观能量密度泛函相当.
2021-05-07 nucl-th
Uncertainty Quantification-Enabled Inversion of Nuclear Euclidean Responses
本文提出一种人工神经网络架构，用于核量子多体方法中拉普拉斯变换反演，能精确重建响应函数并量化不确定性，在噪声鲁棒性上优于最大熵和已有神经网络方法。
2023-10-28 nucl-ex nucl-th
Statistical Modeling of Nuclear Systematics
数据集的神经网络技术的统计建模提供了作为一种替代传统的半经验方法的全球核特性建模。新的结果支持的立场，这种新技术可以媲美传统理论的预测能力，如果不是在经济的描述。实例包括根据现有数据库所载信息对原子质量和β衰变半衰期进行统计推断。神经网络建模以及其他基于人工智能新算法的统计策略，可能被证明是进一步探索远离稳定的核现象的有用资产。
2001-09-27 nucl-th
Predictions of α-decay half-lives for neutron-deficient nuclei with the aid of artificial neural network
近年来，人工神经网络（ANN）在核物理等物理领域得到了成功的应用。本文首先用库仑邻近势模型（CPPM）、温度相关的库仑邻近势模型（CPPMT）、Royer经验公式、新Ren B（NRB）公式和训练好的人工神经网络模型（TANN）计算了几种缺中子核的α衰变半衰期。通过与实验值的比较，人工神经网络模型被发现给缺中子核的半衰期的很好的描述。此外，CPPMT被发现比CPPM更好地执行，表明采用温度相关的核势的重要性。此外，为了预测未测缺中子核的α衰变半衰期，还训练了另一种人工神经网络算法来预测Q α值。将Q α预测结果与Weizsäcker-Skyrme-4+RBF（WS 4 +RBF）公式进行了比较。然后用CPPM、CPPMT、Royer、NRB和TANN预测了未测缺中子核的半衰期，用ANN预测的Qα值作为输入。本研究的结论是，使用人工神经网络可以成功地预测缺中子核的α衰变半衰期，这有助于确定滴线处的核。
2022-01-31 nucl-th
Taming nuclear complexity with a committee of multilayer neural networks
我们证明了一个深度神经网络委员会能够预测超过1800个原子核的基态和激发态能量，其准确性类似于最先进的核能密度泛函（EDF）和主要加速所实现的准确性。提出了一种主动学习策略，用210个核的最小集合对该算法进行训练。这种方法使未来的快速研究的影响EDFs参数化的结构性质在整个核图表，并表明，第一次人工智能成功地编码的法律核变形。
2020-02-25 nucl-th physics.comp-ph
Estimations of Cross-Sections for Photonuclear Reaction on Calcium Isotopes by Artificial Neural Networks
光子引起的核反应是研究原子核的重要工具之一。在反应中，目标材料被具有伽马射线能量范围内的高能量的光子轰击。在轰击过程中，光子可以统计地被靶材料中的原子核吸收。然后，被激发的原子核可以通过发射质子、中子、α和轻粒子或光子而衰变。通过对靶进行光核反应，可以很容易地研究原子核的低位激发态。本文用人工神经网络方法估算了不同钙同位素的（γ，n）光核反应截面。该方法是一种数学模型，模拟生物的大脑功能。该方法在训练和测试阶段的相关系数值均为0.99，表明该方法非常适合于此目的。
2020-03-16 nucl-ex nucl-th
Can realistic nuclear interactions tolerate a resonant tetraneutron ?
探讨了在物理能区附近可能存在的四中子共振。Faddeev-Yakubovsky方程在组态空间中用真实的核子-核子相互作用模型求解。利用复标度法和解析延拓法中的耦合常数方法跟踪了由人工束缚四中子态产生的共振极轨迹。四个中子态的最终极点位置位于第三能量象限，具有负实能量部分，因此不应该是物理上可观察的。
2005-07-08 nucl-th
Generative artificial intelligence for reconstructing neutron-star matter
该研究用去噪扩散模型重建中子星物态方程，结合先验与精确物理约束，得到1.4倍太阳质量下的半径和潮汐形变结果，支持强子-夸克交叉过渡，为不适定逆问题提供模板。
2026-09-09 astro-ph.HE astro-ph.IM hep-ph
Momentum Dependence of Nuclear Mean Field and multifragmentation in Heavy-Ion Collisions
我们报告的后果，实施动量依赖相互作用（MDI）在整个碰撞几何的重离子反应的多重碎裂。用静态软状态方程和软动量依赖状态方程计算了单个冷核的演化，结果表明，动量依赖的引入增加了自由核子的发射。但是，没有人为地发射较重的碎片。量子分子动力学方法的框架内进行的计算表明，MDI强烈影响系统的大小依赖的碎片生产。与ALADiN实验数据的比较证明了在重离子碰撞中使用动量相关相互作用的合理性。
2009-12-28 nucl-th
Validating neural-network refinements of nuclear mass models
核天体物理学的核心是核物理在宇宙中的作用。特别是，稳定极限的核质量对于恒星结构的发展和元素的起源至关重要。在这篇文章中，我们测试和验证了最近改进的核质量模型对新发布的AME 2016汇编的预测。强调最近改进的核质量模型的基本范例是基于现有的最先进的模型，随后通过人工神经网络的训练来改进。与AME 2016汇编中报告的近50个新质量相比，我们观察到贝叶斯神经网络（BNN）预测相对于相应的“裸”模型有了显着改善。此外，AME 2016对少数有影响的同位素在确定r-过程丰度的估计被发现与我们的理论预测相当一致。事实上，BNN改进的Duflo-Zuker模型预测相对于实验的均方根偏差约为400 keV。鉴于BNN改进在面对最近发布的AME 2016汇编时的出色表现，我们相信它在我们寻求最高质量的质量模型中的关键作用。此外，由于不确定性量化是BNN方法的核心，改进的质量模型在识别那些在解决核天体物理学中一些悬而未决的问题方面具有最强影响的原子核方面处于独特的地位。
2017-09-27 nucl-ex nucl-th
Solving the nuclear pairing model with neural network quantum states
我们提出了一种变分蒙特卡罗方法，解决了核多体问题的占领数形式主义利用人工神经网络表示的基态波函数。一个内存有效的版本的随机重构算法的训练网络的期望值最小化的哈密顿量。我们基准这种方法对广泛使用的核多体方法，通过求解用于描述不同类型的相互作用和相互作用强度的不同值的原子核配对的模型。尽管它的多项式计算成本，我们的方法优于耦合集群，并提供了能量，是在很好的协议与数值精确的全组态相互作用值。
2022-11-09 cond-mat.dis-nn nucl-th quant-ph
Conditional recovery of time-reversal symmetry in many nucleus systems
利用含时密度泛函方法研究了非拓扑孤子在多核系统中的传输，着重讨论了孤子的质量和能量依赖性。核密度泛函固有的色散特性和非线性特性是形成非拓扑孤子的重要因素。另一方面，电荷平衡动力学阻止了孤子的传播，可能出现竞争。本文基于两个竞争因子的能量依赖性，提出了在许多核系统中时间反演对称性的条件恢复的概念。它阐明了在适当温度下将核介质保存在天然或人工核反应堆内的可能性。从天体物理学的观点，提出了致密星低温孤子核的存在。
2019-01-31 astro-ph.HE nlin.PS nucl-ex
Explosive nucleosynthesis: nuclear physics impact using neutrino-driven wind simulations
我们提出核合成研究的基础上的流体动力学模拟的核心坍缩超新星和随后的中微子驱动的风。虽然在这些模拟中发现的条件不适合快速中子俘获（r-过程）产生比A $\sim$ 130重的元素，但这可以通过人为增加风熵来解决。用这种方法，人们可以模拟发生r过程的喷出物的一般行为。我们研究了长期动力学演化和核物理输入对最终丰度的影响，并表明不同的核质量模型导致丰度的显着变化。这些差异可能与核质量远离稳定性的行为有关。此外，我们还详细地分析了当物质衰变回稳定态时，中子俘获和β缓发中子发射的影响。在我们研究的所有案例中，冻结效应大于先前的估计，并在冻结后的丰度产生实质性的变化。
2010-12-14 astro-ph.SR nucl-ex nucl-th
$μ$eV-deep neutron bound states in nanocrystals
该研究通过计算证明了在数十纳米尺度的纳米晶体中存在源自核相互作用的 $-μ$eV 量级中子束缚态，并指出其波函数依赖于纳米颗粒的尺寸、维度和核自旋极化，为人工中子“分子”提供了工程自由度。
2023-08-01 nucl-th quant-ph
The long journey from the giant-monopole resonance to the nuclear-matter incompressibility
非相对论和相对论模型预测的对称性能量的密度依赖性的差异，建议，至少在一定程度上，作为罪魁祸首的差异的对称核物质的压缩模量的值提取的巨共振的能量在208铅。“最适合”的相对论模型，具有比Skyrme相互作用更硬的对称能，一贯预测比非相对论方法更高的压缩模量。用压缩模量在物理可接受范围K=200-300 MeV内的相对论模型计算了~（208）Pb的等压线强度分布。当在这些模型中的一个中人工软化对称能时，为了模拟Skyrme相互作用的对称能，确实获得了较低的压缩模量值。它的结论是，建议的测量中子皮在208铅，旨在约束密度依赖的对称性能量和最近相关的中子星的结构，也将成为有助于确定的压缩模量的核物质。
2002-05-01 astro-ph nucl-ex nucl-th
Majorana and the quasi-stationary states in Nuclear Physics
本文详细讨论了Majorana早在1930年提出的一个描述α粒子轰击原子核人工衰变的完整理论模型，并给出了该模型的基本实验依据。马约拉纳（在其他预测中）得到了核过程积分截面的显式表达式，这是实验中感兴趣的直接可测量量。虽然这是第一次应用的概念准定态的核物理问题，似乎也未发表马约拉纳的工作预期了几年的相关开创性文件法诺对原子物理学。
2007-02-21 hep-ph nucl-th physics.atom-ph
Calculation of low-energy scattering parameters using artificial oscillator trap
本文提出一种利用人工谐振子势阱和离散态能量计算量子少体系统低能散射参数的方法，并在模型问题及 Explicit Mesons 核模型中的核子散射中验证了其有效性。
2025-07-16 nucl-th quant-ph
Quantifying uncertainty in machine learning on nuclear binding energy
本文提出单模型不确定性量化方法Δ-UQ，用于核结合能预测，以较低成本获得可靠的认知不确定性估计，评估深度神经网络预测的置信度。
2025-09-30 nucl-th
Nuclear mass prediction using bidirectional recurrent neural networks with isotopic and isotonic chain correlations
Lanzhou University（兰州大学）；Shanghai Jiao Tong University（上海交通大学）；Anhui University（安徽大学）
本文提出双向循环神经网络，利用同位素链与同中子素链相关性预测核质量，在2339个核上实现78 keV精度，较传统神经网络提升45%，并展现出优异的外推性能。
2026-09-15 nucl-th
Nuclei with up to $\boldsymbol{A=6}$ nucleons with artificial neural network wave functions
温伯格开创性的工作为基于系统可改进的哈密顿量的原子核计算开辟了道路。由于核相互作用的非微扰性质和强的自旋-同位旋依赖性，求解相关的多体薛定谔方程涉及到非平凡的困难。人工神经网络已被证明能够用多达$A=4$核子来复杂地表示核的波函数。在这项工作中，我们将这种方法扩展到$^6$ Li和$^6$ He核，作为输入的领导阶无π介子有效场论哈密顿量。我们成功地基准它们的结合能，点核子密度，和半径的高精度超球谐函数方法。
2021-08-15 cond-mat.dis-nn nucl-th quant-ph
Effect of Coulomb Screening Length on Nuclear Pasta Simulations
本文研究了在类似于中子星壳的条件下，有效库仑相互作用强度和长度对核子动力学的影响。计算采用半经典分子动力学模型，研究了亚饱和密度和低温下的同位旋对称物质。质子间的静电相互作用以屏蔽库仑势的形式存在，但屏蔽长度被人为地改变，以探索其对形成非均匀原子核结构的影响。随着筛选长度的增加，我们可以从每个单元一个面食制度（由于有限的尺寸效应）过渡到一个更有吸引力的每个模拟盒多个面食。这表明中子星物质在低温下的结构有质的差异，因此，在数值模拟中估算屏蔽长度时应特别谨慎。
2013-11-26 nucl-th
Neural-network quantum states for the nuclear many-body problem
Argonne National Laboratory（阿贡国家实验室）；INFN-TIFPA Trento Institute of Fundamental Physics and Applications（特伦托基础物理与应用研究所 (INFN-TIFPA)）；Instituto de Física Corpuscular (IFIC), Consejo Superior de Investigaciones Científicas (CSIC) and Universidad de Valencia（瓦伦西亚大学与西班牙高等科学理事会联合的粒子物理研究所 (IFIC)）；Institute of Physics, École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院物理研究所）；University of Oslo（奥斯陆大学）；Ohio University（俄亥俄大学）；Universitat de Barcelona (UB)（巴塞罗那大学）
本文探讨了神经网络量子态在核许多体问题中的应用，展示了其在提高计算精度和扩展系统规模方面的贡献，以及在核结构、物质和反应描述中的新方法。
2026-02-14 nucl-th quant-ph
ML and AI for density functional theory: different priorities for Kohn-Sham and orbital-free DFT, for electronic and nuclear DFT
Fuzhou University（福州大学）；Institute of Science Tokyo（东京科学大学）
概述机器学习和人工智能技术在电子与核密度泛函理论中计算瓶颈及精度要求的异同，指出不同情况下的方法选择，如 KS DFT 中神经网络的优缺点，及符号回归的优势，还提及电子到核 DFT 的方法。
2026-07-07 cond-mat.mtrl-sci nucl-th physics.chem-ph
NNStar: An end-to-end AI agent for nuclear matter and neutron star physics
School of Frontier Sciences, Nanjing University（前沿科学学院，南京大学）；School of Physics, Nanjing University（物理学院，南京大学）
研究针对核物质和中子星物理中约束致密物质状态方程需处理大量数据及高维耦合空间微调难的问题，提出NNStar这一端到端人工智能代理，可自动化工作流程，为相关观测分析提供新的AI驱动框架。
2026-07-16 astro-ph.HE nucl-th physics.comp-ph
Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz
多体量子波函数的复杂性是物理学和化学的几个领域的中心问题，在这些领域中，非微扰相互作用非常突出。人工神经网络（ANN）已被证明是一个灵活的工具，以近似量子多体状态在凝聚态和化学问题。本文引入神经网络量子态模型来模拟轻核的基态波函数，并近似求解核多体薛定谔方程。使用有效的随机采样和优化方案，我们的方法扩展了人工神经网络在该领域的开创性应用，这呈现出指数级的算法复杂性。本文从首阶无π介子有效场论哈密顿量出发，计算了$A\leq 4$核的结合能和点核子密度。我们成功地基准的ANN波函数对更传统的参数化的基础上，两个和三个机构的Jastrow功能，和虚拟精确的格林函数蒙特卡罗结果。
2021-04-13 cond-mat.dis-nn nucl-th quant-ph
Nuclear binding energy predictions based on BP neural network
核质量在核物理和天体物理中具有重要意义。核质量的描述性实验数据和基于剩余质子-中子相互作用的未知质量的预测是核物理的一个焦点。剩余相互作用的准确性决定了核质量值的准确性，因此对剩余相互作用的研究是必不可少的。在我们开展这项研究之前，有许多论文将人工神经网络应用于核物理。但是还没有人使用BP神经网络来研究剩余相互作用。本文提出了一种基于BP神经网络的残留交互作用的描述和预测模型。将实验值与剩余相互作用模型相结合，成功地计算了$A\geq100$的核质量。结果表明，计算值与实验值之间的差异（AME 2003、AME 2012和AME 2016）显示均方根偏差（RMSD）较小（与AME 2003相比，奇A核和偶A核的RMSD分别为112 keV和128 keV;与AME 2012相比，奇A核和偶A核的RMSD分别为103 keV和121 keV;与AME 2016相比，奇A核和偶A核的RMSD分别为106 keV和122 keV）。此外，基于AME 2003和AME 2012，我们得到了一些预测质量，预测值具有较好的精度，并与实验值（AME 2012和AME 2016）进行了比较。结果表明，用BP神经网络方法研究残余相互作用是可行的，准确的。该方法有助于从大量的实验值中分析和提取有用的信息，进而为发现物理规律提供参考，为物理实验提供支持。
2020-05-15 nucl-th
Application of multilayer perceptron with data augmentation in nuclear physics
Mimar Sinan Fine Arts University（米马尔·希南美术大学）；University of Leuven (KU Leuven)（鲁汶大学（KU Leuven））；Yildiz Technical University（耶尔德兹技术大学）
神经网络作为一种有前途的、可靠的、功能强大的工具，已经在许多科学领域得到了广泛的应用。在这项工作中，我们研究了数据增强对核物理数据的神经网络模型的预测能力的影响。我们提出了两种不同的数据增强技术，我们进行了详细的分析，在不同的深度，优化，激活函数和随机种子值，以显示模型的成功和鲁棒性。首次利用实验不确定性进行数据增强，人为地增大训练数据集的大小，并研究了测试集和实验数据上的模型预测值之间的均方根误差的变化。我们的研究结果表明，数据增强减少了预测误差，稳定了模型，并防止过拟合。对AME2020质量表中新测核的外推能力进行了检验，结果表明，采用数据增强后，预测结果有了明显的改善。
2022-07-05 cs.LG nucl-th
Systematics on ground-state energies of nuclei within the neural networks
原子核的基本基态性质之一是结合能。在这项研究中，我们采用人工神经网络（ANN）获得的结合能的基础上的数据从Hartree-Fock-Bogolibov（HFB）方法计算的两个SLy 4和SKP Skyrme力。此外，人工神经网络已被用来获得两个中子和两个质子的核分离能。在这项研究中，使用人工神经网络的核数据的统计建模被认为是成功的。这样的统计模型可能是在现有的实验核数据之外进行核系统学搜索的工具。
2013-01-11 nucl-th
Dynamical r-process studies within the neutrino-driven wind scenario and its sensitivity to the nuclear physics input
我们使用的结果，从长期的核心坍缩超新星模拟研究的喷出物和计算的r-过程丰度的核物理输入的后期演化的影响。根据最新的流体动力学模拟，重r过程元素不能在超新星爆炸后的中微子驱动风中合成。然而，通过人为地增加风熵，可以制造高达A=195的元素。用这种方法，人们可以再现高熵喷出物的典型行为，在那里r过程预计会发生。我们确定哪些核物理输入是更重要的，这取决于喷出物的动态演化。当演化在高温下进行（热r过程）时，达到（n，g）-（g，n）平衡。而在低温（冷r过程），中子俘获与β衰变之间存在竞争。在r过程的第一阶段，虽然有足够的中子可用，但最相关的核物理输入是热r过程的核质量和冷r过程的中子俘获和β衰变率。在这一阶段结束时，丰度遵循热r过程的稳定β流和冷r过程的中子俘获和β衰变的稳定流。在中子几乎耗尽后，物质衰变到稳定状态，我们的结果表明，在这两种情况下，中子捕获是确定最终丰度、r过程峰的位置和稀土峰形成的关键。在所有研究的情况下，我们发现冻结发生在几秒钟的时间尺度。
2011-01-05 astro-ph.SR 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
Deep-neural-network approach to solving the ab initio nuclear structure problem
针对复杂核子相互作用下的从头算核结构挑战，提出深度学习变分量子蒙特卡洛方法FeynmanNet，准确求解了多种轻核基态能量与波函数，避免了费米子符号问题且随核子数多项式扩展。
2023-04-04 cond-mat.dis-nn nucl-th quant-ph
Building Surrogate Models of Nuclear Density Functional Theory with Gaussian Processesand Autoencoders
本文回顾了将监督和无监督机器学习技术应用于核密度泛函理论的方法，旨在加速构建DFT波函数基组，以应对核性质预测中的巨大计算挑战。
2022-09-06 nucl-th
Deep Learning: A Tool for Computational Nuclear Physics
近年来，人工神经网络在核物理、高能物理、生物学、化学、气象学等科学领域都有了成功的应用。核理论的一个主要目标是从强相互作用的基础理论量子色动力学（QCD）来预测原子核结构和核反应。随着高性能计算（HPC）系统的发展，一些从头计算方法，如无核壳模型（NCSM），已经被开发出来计算原子核的性质。然而，要精确求解原子核的性质，人们面临着巨大的理论和计算挑战。本文提出了一种前馈人工神经网络方法，用于预测原子核的性质，如基态能量和基态点质子均方根（rms）半径的基础上NCSM结果在计算可访问的基空间。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6Li从从头算NCSM结果在小的基础空间，满足理论物理条件：独立的基础空间参数的限制，极大的矩阵。我们还提供了从人工神经网络的结果与建立的方法估计的结果在无限矩阵极限的比较。
2018-03-08 nucl-th physics.comp-ph
Criticality analysis of nuclear binding energy neural networks
本研究将基于重整化群流的临界性分析应用于核结合能预测的人工神经网络，验证了随机梯度下降训练下临界调参的最优性，指出自适应算法会掩盖临界效应，为探索神经网络黑箱、提升性能提供了新路径。
2025-08-01 hep-ph nucl-th
Machine learning the deuteron
我们使用机器学习技术来解决核二体束缚态问题，即氘。我们使用一个最小的单层前馈神经网络来表示动量空间中的氘S和D态波函数，并使用现成的机器学习工具变分地解决问题。我们基准我们的结果与精确对角化的解决方案。我们发现，一个网络与6个隐藏节点（或24个参数）可以提供一个忠实的表示的基态波函数，结合能是在0.1%的准确结果。这种探索性的原理验证模拟可以提供洞察未来潜在的解决方案的核多体问题，使用变分人工神经网络技术。
2020-09-02 nucl-th physics.comp-ph
