Comprehensive Bayesian machine learning approach to estimating the total nuclear capture rate of a negative muon

包括的なベイズ機械学習による負ミューオンの全核捕獲率の推定

岩元 大樹   ; 新倉 潤*; 水野 るり恵*

Iwamoto, Hiroki; Niikura, Megumi*; Mizuno, Rurie*

1軌道上の負ミューオンは原子核に捕獲され、原子核崩壊過程を引き起こす。負ミューオンの全核捕獲率は、地球化学、宇宙核物理学、半導体デバイス開発などの分野できわめて重要であるが、現在の物理理論モデルによる正確な予測は依然として困難である。本研究では、ベイズ統計の枠組みで物理理論の情報と実験データを統合し、負ミューオンの全核捕獲率を推定する包括的な機械学習(ML)モデルを開発することを目的とした。本研究では、ガウス過程回帰に基づくMLモデルを採用し、不確かさが評価された実験データを学習データとして用いた。このモデルは事前情報としてGoulard-Primakoffの式を取り入れ、特にデータが乏しい領域での推定を可能にするために、転移学習の方法を適用した。開発したMLモデルは、精度と包括性の両方において物理理論モデルを上回ることが示され、モデル性能をさらに向上させるための重要な実験が特定された。本研究で生成された推定値は、ミューオン核データに組み込まれ、様々な研究分野に応用される予定である。

A negative muon in the 1 orbital can be captured by a nucleus, leading to subsequent nuclear dacay processes. The accurate prediction of total nuclear capture rates, which could be crucial in fields such as geochemistry, nuclear astrophysics, and semiconductor device developement, remains challenging with curren physics models. This study aims to develop a comprehensive machine learning (ML) model to estimate the total nuclear capture rate of a negative muon, integrating physical information and experimental data within a Bayesian framework. The study employs an ML model based on Gaussian process regression, using experimental data with evaluated uncertainties as training data. The model incoporates the Goulard-Primakoff formula as prior information and applies a transfer learning approach to improve estimations, particularly in data-sparse regions. The developed ML model is shown to outperform theoretical physics models in both accuracy and comprehensiveness, with key experiments identified to further refine the model performance. The estimates generated in this study will be incorporated into muon nuclear data applied accross a variety of research fields.