Statistikere og fysikere går sammen for at bringe en maskinlæringstilgang til minedrift af nukleare data

Fysikere bruger teoretiske modeller til at studere fysiske mængder, såsom massen af ​​kerner, hvor de ikke har eksperimentelle data. Brug af en enkelt ufuldkommen teoretisk model kan dog føre til vildledende resultater. For at forbedre kvaliteten af ​​ekstrapolerede forudsigelser kan forskere i stedet bruge flere forskellige modeller og blande deres resultater. På denne måde får forskerne mest muligt ud af den kollektive visdom fra flere modeller og opnår den bedste forudsigelse fra den mest aktuelle eksperimentelle information.

For at forbedre forudsigeligheden af ​​komplekse beregningsmodeller foreslog et hold af kernefysikere og statistikere en ny statistisk metode. Denne metode bruger en statistisk proces kaldet Bayes' teorem til at revidere sandsynligheden for en hypotese, efterhånden som nye data opnås. Værket er publiceret i tidsskriftet Scientific Reports .

Den resulterende maskinlæringsramme bruger den såkaldte Dirichlet-distribution. Denne statistiske proces kombinerer resultaterne af flere ufuldkomne modeller. Forskerne demonstrerede evnen af ​​de foreslåede blandingsteknikker til at mine data om nukleare masser.

Denne forskning viste, at globale og lokale blandinger af modeller har fremragende ydeevne i både nøjagtigheden af ​​deres forudsigelser og deres usikkerhedskvantificering. Disse blandinger synes at være at foretrække frem for klassisk Bayesiansk modelgennemsnit, den konventionelle tilgang. Derudover indikerer forskernes analyse, at forbedring af modelforudsigelser gennem ligetil blanding fører til mere robuste ekstrapolationer end blanding af korrigerede modeller.

Flere oplysninger: Vojtech Kejzlar et al., Local Bayesian Dirichlet-blanding af uperfekte modeller, Scientific Reports (2023). DOI:10.1038/s41598-023-46568-0

Journaloplysninger: Videnskabelige rapporter

Leveret af det amerikanske energiministerium