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...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.展开更多
文摘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.
