Prédictions de la masse nucléaire utilisant des modèles d'apprentissage automatique

L'exploration de la masse nucléaire ou de l'énergie de liaison, une propriété fondamentale des noyaux atomiques, reste à la pointe de la recherche en physique nucléaire en raison des limitations des études expérimentales et des incertitudes dans les calculs des modèles, en particulier lorsqu'on s'éloigne de la ligne de stabilité. Dans ce travail, nous utilisons deux modèles d'apprentissage automatique (ML), la régression par vecteurs de support (SVR) et la régression par processus gaussien (GPR), pour évaluer leur performance à prédire les excès de masse nucléaire en utilisant les données expérimentales disponibles et un espace de caractéristiques basé sur la physique. Nous examinons également les capacités d'extrapolation de ces modèles en utilisant de nouveaux noyaux mesurés issus de l'AME2020 et en étendant nos calculs au-delà des régions d'apprentissage et de test. Nos résultats indiquent que les modèles SVR et GPR fonctionnent assez bien dans les régions d'apprentissage et de test lorsqu'ils sont informés avec un espace de caractéristiques basé sur la physique. De plus, ces modèles ML démontrent la capacité à faire des prédictions raisonnables loin des données expérimentales disponibles, offrant des résultats comparables aux calculs des modèles. Grâce à un affinage supplémentaire, ces modèles peuvent être utilisés comme des outils ML fiables et efficaces pour étudier les propriétés nucléaires à l'avenir. Publié par l'American Physical Society 2024.