文献类型：期刊文章

作　　者：娄月申[1] 郭文军[1]

Lou Yue-Shen;Guo Wen-Jun(Department of Physics,University of Shanghai for Science and Technology,Shanghai 200093,China)

机构地区：[1]上海理工大学物理系,上海200093

出　　处：《物理学报》

年　　份：2022

卷　　号：71

期　　号：10

起止页码：32-41

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCIE、SCOPUS、WOS、ZGKJHX、ZMATH、核心刊

摘　　要：采用贝叶斯深度神经网络对液滴模型进行优化改进,并运用KL(Kullback-Leibler)散度与变分推断的方法使得模型便于实现.以最新的原子核数据(AME2020)中2457个有精确值的原子核(Z≥8和N≥8)作为总数据集,随机选取其中80%的数据为训练集用于模型训练,通过预测余下的20%进行模型验证.最终两个数据集的误差均方根(RMS)基本相等,而且全部数据的RMS从2.9894 Me V降到0.5695 Me V,下降了80%,呈现出较好的结果.此模型进行了输入参数上的改进(区域限定策略),使得未知核(Z=118—126)可以被限定在一个固定的区域内,从而提高了预测的准确性.为了验证这一性质,对实验数据(Z=100—117)进行了预测计算,结果也与实验值符合得很好.最后使用该方案对未知元素Z=118—126进行了预测,为以后寻找新元素提供了新思路.

关 键 词：结合能 贝叶斯深度神经网络  液滴模型 区域限定策略  

分 类 号：TP183] O571]