关键词:
重离子熔合反应
熔合截面
物理信息
机器学习
摘要:
本文利用基于决策树的机器学习算法——LightGBM(Light Gradient Boosting Machine)研究偶偶核体系的重离子熔合反应的截面(Cross Section,CS)。机器学习算法的输入特征量包括与原子核基本性质相关的物理量(如弹靶核的质子数、质量数、2^(+)和4^(+)态激发能量等)以及从唯象理论模型计算得到的CS,输出量为熔合截面。研究发现,当输入特征量中不包含唯象模型计算的CS时,在训练集上LightGBM预测的CS与实验值的平均绝对误差(Mean Absolute Error,MAE)为0.138,显著优于ECC模型预测的0.172;当在输入特征量中包含唯象模型计算的CS时,由于物理信息的加入,MAE降至0.07。此外,还发现当物理信息引入时,计算得到势垒分布与实验数据能更好地符合。这表明物理信息在机器学习研究重离子熔合反应中有重要作用。