I fisici utilizzano modelli teorici per studiare quantità fisiche, come la massa dei nuclei, dove non dispongono di dati sperimentali. Tuttavia, l’utilizzo di un unico modello teorico imperfetto può portare a risultati fuorvianti. Per migliorare la qualità delle previsioni estrapolate, gli scienziati possono invece utilizzare diversi modelli diversi e mescolare i loro risultati. In questo modo, gli scienziati sfruttano al massimo la saggezza collettiva di più modelli e ottengono la migliore previsione dalle informazioni sperimentali più recenti.
Per migliorare la prevedibilità di modelli computazionali complessi, un team di fisici nucleari e statistici ha proposto un nuovo metodo statistico. Questo metodo utilizza un processo statistico chiamato teorema di Bayes per rivedere la probabilità di un'ipotesi man mano che vengono ottenuti nuovi dati. Il lavoro è pubblicato sulla rivista Scientific Reports .
Il framework di machine learning risultante utilizza la cosiddetta distribuzione Dirichlet. Questo processo statistico combina i risultati di diversi modelli imperfetti. I ricercatori hanno dimostrato la capacità delle tecniche di miscelazione proposte di estrarre dati sulle masse nucleari.
Questa ricerca ha dimostrato che miscele di modelli globali e locali hanno prestazioni eccellenti sia nell’accuratezza delle previsioni che nella quantificazione dell’incertezza. Queste miscele sembrano essere preferibili al classico modello bayesiano della media, l’approccio convenzionale. Inoltre, l'analisi dei ricercatori indica che il miglioramento delle previsioni dei modelli attraverso una semplice miscelazione porta a estrapolazioni più solide rispetto alla miscelazione di modelli corretti.
Ulteriori informazioni: Vojtech Kejzlar et al, Miscelazione di Dirichlet bayesiano locale di modelli imperfetti, Rapporti scientifici (2023). DOI:10.1038/s41598-023-46568-0
Informazioni sul giornale: Rapporti scientifici
Fornito dal Dipartimento dell'Energia degli Stati Uniti