柯尔莫哥洛夫-阿诺德网络在核结合能预测中的应用
Kolmogorov-Arnold networks in nuclear binding energy prediction
AI总结：
本研究将柯尔莫哥洛夫-阿诺德网络（KANs）应用于核结合能预测，基于AME2020数据纳入原子序数等特征，其均方根误差达0.26 MeV优于传统模型，还得出与经典模型一致的简化解析表达式，展现出提升核现象可解释性的潜力。
摘要：
本研究探索柯尔莫哥洛夫-阿诺德网络（KANs）在核结合能预测中的应用，利用其将复杂多参数系统分解为更简单单变量函数的能力。通过采用原子质量评估（AME2020）的数据，并纳入原子序数、中子数和壳效应等特征，KANs实现了显著更低的均方根误差（0.26 MeV），优于传统模型。符号回归分析得出了结合能的简化解析表达式，与液滴模型和贝特-魏茨泽克公式等经典模型一致。这些结果凸显了KANs在提升核现象可解释性和理解度方面的潜力，为其在核物理及其他领域的未来应用铺平了道路。
英文摘要：
This study explores the application of Kolmogorov-Arnold networks (KANs) in predicting nuclear binding energies, leveraging their ability to decompose complex multiparameter systems into simpler univariate functions. By utilizing data from the Atomic Mass Evaluation (AME2020) and incorporating features such as atomic number, neutron number, and shell effects, KANs achieved a significant lower root mean square error (0.26 MeV), surpassing traditional models. The symbolic regression analysis yielded simplified analytical expressions for binding energies, aligning with classical models like the liquid drop model and the Bethe-Weizsaecker formula. These results highlight KANs' potential in enhancing the interpretability and understanding of nuclear phenomena, paving the way for future applications in nuclear physics and beyond.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
