基于极端梯度提升法结合留一链交叉验证的中子分离能准确预测

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》:Extreme Gradient Boosting for accurate prediction of Neutron Separation Energies with Leave-One-Chain-Out Validation

【字体: 大 中 小 】 时间:2026年10月01日 来源:ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING 3.1

编辑推荐:

   摘要单中子和双中子分离能(\(S_n\) 和 \(S_{2n}\))在核结构分析、天体核合成模式以及向滴线的外推中都发挥重要作用,但准确预测它们仍然困难。我们开发了一种纯数据驱动的 \(S_n\) 和 \(S_{2n}\) 预测器,基于极端梯度提升(XGBoost)算法,并直

  

摘要

单中子和双中子分离能(\(S_n\) 和 \(S_{2n}\))在核结构分析、天体核合成模式以及向滴线的外推中都发挥重要作用,但准确预测它们仍然困难。我们开发了一种纯数据驱动的 \(S_n\) 和 \(S_{2n}\) 预测器,基于极端梯度提升(XGBoost)算法,并直接使用 AME 2020 的评估原子质量数据进行训练。经过数据清洗后,\(S_n\) 的数据集包含 3,440 个核素,\(S_{2n}\) 包含 3,321 个。我们比较了一组基本特征(A、Z、N)与一组扩展的、受物理启发的特征集,后者增加了壳闭合标志、中子–质子过剩(\(N-Z\))和 N/Z 比值。超参数通过贝叶斯优化(Optuna/TPE)结合训练集上的 10 折交叉验证进行调节,最终性能则在严格的 20% 留出测试集上进行评估。外推能力通过按质子数 Z(同位素链)进行的留一链交叉验证(LOCO)单独测试。在所有配置中,经过调优的 XGBoost 模型均优于线性回归、随机森林以及未经调优的 XGBoost(前两者使用 scikit-learn 默认设置,第三种采用固定的未调优配置),扩展特征给出了最佳的留出集精度,在整个留出集上达到 \(\text {RMSE}\,=\,0.364\) MeV 的 \(S_n\) 和 \(\text {RMSE} = 0.404\) MeV 的 \(S_{2n}\)(\(R^2 \ge 0.991\))。由于大约 30% 的评估目标值并非直接测量得到,而是基于质量面趋势推导而来,我们也单独给出了仅针对实验测量目标值的误差——\(S_n\) 为 0.397 MeV,\(S_{2n}\) 为 0.410 MeV——并将其作为保守基准。LOCO 结果表明,经过调优的扩展特征集同样提升了链级别的稳定性,特征重要性分析识别出 N/Z 比值为主要预测因子,这与核对称能方面的考虑相一致。

单中子和双中子分离能(\(S_n\) 和 \(S_{2n}\))在核结构分析、天体核合成模式以及向滴线的外推中都发挥重要作用,但准确预测它们仍然困难。我们开发了一种纯数据驱动的 \(S_n\) 和 \(S_{2n}\) 预测器,基于极端梯度提升(XGBoost)算法,并直接使用 AME 2020 的评估原子质量数据进行训练。经过数据清洗后,\(S_n\) 的数据集包含 3,440 个核素,\(S_{2n}\) 包含 3,321 个。我们比较了一组基本特征(A、Z、N)与一组扩展的、受物理启发的特征集,后者增加了壳闭合标志、中子–质子过剩(\(N-Z\))和 N/Z 比值。超参数通过贝叶斯优化(Optuna/TPE)结合训练集上的 10 折交叉验证进行调节,最终性能则在严格的 20% 留出测试集上进行评估。外推能力通过按质子数 Z(同位素链)进行的留一链交叉验证(LOCO)单独测试。在所有配置中,经过调优的 XGBoost 模型均优于线性回归、随机森林以及未经调优的 XGBoost(前两者使用 scikit-learn 默认设置,第三种采用固定的未调优配置),扩展特征给出了最佳的留出集精度,在整个留出集上达到 \(\text {RMSE}\,=\,0.364\) MeV 的 \(S_n\) 和 \(\text {RMSE} = 0.404\) MeV 的 \(S_{2n}\)(\(R^2 \ge 0.991\))。由于大约 30% 的评估目标值并非直接测量得到,而是基于质量面趋势推导而来,我们也单独给出了仅针对实验测量目标值的误差——\(S_n\) 为 0.397 MeV,\(S_{2n}\) 为 0.410 MeV——并将其作为保守基准。LOCO 结果表明,经过调优的扩展特征集同样提升了链级别的稳定性,特征重要性分析识别出 N/Z 比值为主要预测因子,这与核对称能方面的考虑相一致。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号