本期图解论文，我们推荐湖州师范学院理论核物理团队高泽鹏、王永佳、李庆峰等发表于Nuclear Science and Techniques的文章Machine learning the nuclear mass《机器学习研究原子核质量》

一句话概要

LightGBM被证明是一种高效的机器学习方法，可以获得更精确的原子核质量。

创新性（主要内容）

对原子核质量理论值预测的精确度还有增加的空间吗？本研究表明，分布式梯度提升算法（LightGBM）是提高原子核质量（结合能）的理论值预测精度的有效工具。几种原子核质量模型，包括：liquid-drop(LDM)、Duflo-Zucker(DZ)、Weizs?cker-Skyrme(WS4)和finite-range droplet (FRDM)，在经过LightGBM改进后其理论值与实验值的均方根偏差分别降低了90%、65%、40%和60%。在原子质量评估AME2020中66个新测量的原子核质量的预测值也有着不同程度的改进。此外，由改进后的质量模型计算的单中子以及双中子分离能能够很好地符合实验值。LightGBM工作所需要的只是输入质量数和质子数等特征量。利用SHAP重要性特征解释方法对四种质量模型的输入特征量进行了相关性分析，得到了对核质量模型的改进和发展有价值的结果。

研究背景（主要原因）

原子核质量一直是一个重要而又具有挑战性的课题，尤其是对于位于滴线附近的原子核。贝叶斯神经网络(BNN)和Levenberg-Marquardt神经网络(LMNN)等几种机器学习方法是能够较好地对修正原子核质量理论模型。另一方面，微软在2016年开发的一种基于树的学习算法LightGBM表现出更好的学习能力、更高的效率和更好的准确性。这使得LightGBM在原子核质量的研究中具有一定的潜力。为了验证LightGBM机器学习算法的潜力，本研究将LightGBM应用于未知原子核的质量和结合能的预测。与实验间更小的偏差很好地验证了LightGBM在原子核质量研究中的价值，为今后的研究提供了更好的方向。

SDG影响力（研究意义）

天体物理学和核物理的发展与对原子核质量的认知息息相关。因此，需要一种高效的机器学习方法来推测未知核素，特别是超重核素和丰中子核素的质量。该研究验证了LightGBM在核质量研究中的潜力，从而表明了机器学习在天体物理和核物理发展中的重要性。这些基本发现对于通过利用不断发展的技术能力促进未来的科学研究至关重要，这符合联合国可持续发展目标9的愿景：创新、工业和基础设施。

作者介绍

高泽鹏

2018年毕业于沈阳师范大学物理学专业获理学学士学位。2019年—2020年于沈阳师范大学学习研一课程。2020年至今于湖州师范学院联合培养，师从李庆峰教授。主要从事重离子核反应理论与机器学习在核物理中的应用方面的研究。

作者介绍

王永佳

博士、副教授。1987年生，2009年获兰州大学原子核物理专业理学学士学位，2014年获兰州大学粒子物理与原子核物理专业理学博士学位。2016-2018年三次访问德国重离子实验中心GSI和法兰克福高等研究院，每次三个月。2020年入选首届浙江省高校领军人才培养计划，2021年入选湖州市南太湖本土高层次人才特殊支持计划。近年来主持国家自然科学基金2项、浙江省自然科学基金1项。获得浙江省自然科学奖二等奖一项。在Physics Letters B、Physical Review C、Science China Physics-Mechanics and Astronomy、Nuclear Science and Techniques、Journal of Physics G: Nuclear and Particle Physics等期刊上发表SCI论文50余篇，论文被引用总数超1000次。

作者介绍

李庆峰

1993-1999年本硕连读于西北大学，2002年博士毕业于中国原子能科学研究院。2002-2008年先后在中国科学院理论物理研究所及德国法兰克福大学FIAS研究所任博士后、洪堡学者及青年学者等职。2008年回国后一直在湖州师范学院任教职至今，现为二级教授、博士生导师。主要从事大能量尺度下的核反应物理研究，已发表学术论文超120篇。曾主持1项中德科技合作项目、6项国家自然科学基金项目和4项省部级项目。曾获胡济民教育科学奖、北京市科学技术三等奖、浙江省自然科学奖二等奖等。

研究课题组

湖州师范学院理论核物理团队。主要开展重离子核反应物理相关理论研究，主要成员来自中科院近代物理研究所、兰州大学、山西大学、沈阳师范大学等高校的联合培养研究生。

如有侵权，请联系本站删除！