Improvement of the Bayesian neural network to study the photoneutron yield cross sections

基于贝叶斯神经网络方法对13C(𝛼, n)16O反应数据分析

“…机器学习是目前用来探究复杂物理问题和未知 领域的热门工具, 在核物理领域亦有着广泛的应用 [39][40][41][42] . 贝叶斯神经网络方法 [43][44][45] 是机器学习中的一 种, 它有较强的预言能力、避免过拟合、自洽给出预 言误差等优点, 已被广泛用于核物理的研究中, 如原 子核质量 [46] 、 衰变半衰期 [47] 、裂变产额 [48] 、电荷半 径 [49] 、 散裂截面 [50] 、 氘核分离能 [51] 、 弹性角分布 [52,53] 、 光中子截面 [54] 等. [55] , 贝叶斯公式表示为 (1)…”

Phase Transition Study Meets Machine Learning

“…In general, studying phase transitions in complex systems, especially those with many degrees of freedom, usually poses significant computational hurdles. In this context, machine learning (ML) techniques [14][15][16][17][18][19][20][21] offer novel and promising investigation pathways.…”