On a predictive machine learning-based formalism for nuclear structure

by Emmanuel Clément

The seminar will present a predictive model for the first excited states in even-even nuclei based on machine learning (ML). The model was trained using ground state properties and excited states from the evaluated Nuclear Data Evaluation Committee (NNDC) database solely with minimum ingredient in the input layer. The overall agreement is remarkable. The resulting model captures most of the nuclear structure evolution from oxygen to uranium and can predict the features of very exotic nuclei that have not yet been measured experimentally. Several isotopic chains are detailed, including those of Sn, Ni, Zr and Ca.

 

Ce séminaire présentera un modèle prédictif pour les premiers états excités des noyaux pair-pair, basé sur réseaux de neurones. Le modèle a été entraîné à l’aide des propriétés de l’état fondamental et des états excités issus de la base de données (NNDC), en utilisant uniquement un nombre minimal d’ingrédients dans la couche d’entrée. L’accord globale est remarquable. Le modèle obtenu capture la majeure partie de l’évolution de la structure nucléaire, de l’oxygène à l’uranium, et permet de prédire les caractéristiques de noyaux très exotiques qui n’ont pas encore été mesurés expérimentalement. Plusieurs chaînes isotopiques seront détaillées, notamment celles de l’étain (Sn), du nickel (Ni), du zirconium (Zr) et du calcium (Ca).