Science >> Wetenschap >  >> Fysica

Statistici en natuurkundigen werken samen om een ​​machine learning-aanpak te ontwikkelen voor het ontginnen van nucleaire gegevens

Schematische weergave van de dichtheid van de Dirichlet-verdeling voor echte modelmenging. Credit:V. Kejzlar

Natuurkundigen gebruiken theoretische modellen om fysieke grootheden te bestuderen, zoals de massa van kernen, waar ze niet over experimentele gegevens beschikken. Het gebruik van één enkel imperfect theoretisch model kan echter tot misleidende resultaten leiden. Om de kwaliteit van geëxtrapoleerde voorspellingen te verbeteren, kunnen wetenschappers in plaats daarvan verschillende modellen gebruiken en hun resultaten combineren. Op deze manier maken wetenschappers optimaal gebruik van de collectieve wijsheid van meerdere modellen en verkrijgen ze de beste voorspelling op basis van de meest actuele experimentele informatie.

Om de voorspelbaarheid van complexe computermodellen te verbeteren, heeft een team van kernfysici en statistici een nieuwe statistische methode voorgesteld. Deze methode maakt gebruik van een statistisch proces genaamd de stelling van Bayes om de waarschijnlijkheid van een hypothese te herzien wanneer nieuwe gegevens worden verkregen. Het werk is gepubliceerd in het tijdschrift Scientific Reports .

Het resulterende machine learning-framework maakt gebruik van de zogenaamde Dirichlet-distributie. Dit statistische proces combineert de resultaten van verschillende imperfecte modellen. De onderzoekers demonstreerden het vermogen van de voorgestelde mengtechnieken om gegevens over kernmassa's te verzamelen.

Dit onderzoek heeft aangetoond dat mondiale en lokale mengsels van modellen uitstekend presteren wat betreft zowel de nauwkeurigheid van hun voorspellingen als de kwantificering van de onzekerheid. Deze mengsels lijken de voorkeur te hebben boven de klassieke Bayesiaanse modelmiddeling, de conventionele aanpak. Bovendien geeft de analyse van de onderzoekers aan dat het verbeteren van modelvoorspellingen door eenvoudig mengen tot robuustere extrapolaties leidt dan het mengen van gecorrigeerde modellen.

Meer informatie: Vojtech Kejzlar et al, Lokale Bayesiaanse Dirichlet-mix van imperfecte modellen, Wetenschappelijke rapporten (2023). DOI:10.1038/s41598-023-46568-0

Journaalinformatie: Wetenschappelijke rapporten

Aangeboden door het Amerikaanse ministerie van Energie