Les physiciens utilisent des modèles théoriques pour étudier des grandeurs physiques, telles que la masse des noyaux, lorsqu'ils ne disposent pas de données expérimentales. Cependant, l’utilisation d’un seul modèle théorique imparfait peut conduire à des résultats trompeurs. Pour améliorer la qualité des prédictions extrapolées, les scientifiques peuvent utiliser plusieurs modèles différents et mélanger leurs résultats. De cette façon, les scientifiques tirent le meilleur parti de la sagesse collective de plusieurs modèles et obtiennent la meilleure prédiction à partir des informations expérimentales les plus récentes.

Pour améliorer la prévisibilité de modèles informatiques complexes, une équipe de physiciens nucléaires et de statisticiens a proposé une nouvelle méthode statistique. Cette méthode utilise un processus statistique appelé théorème de Bayes pour réviser la probabilité d'une hypothèse à mesure que de nouvelles données sont obtenues. Les travaux sont publiés dans la revue Scientific Reports .

Le cadre d'apprentissage automatique qui en résulte utilise la distribution dite Dirichlet. Ce processus statistique combine les résultats de plusieurs modèles imparfaits. Les chercheurs ont démontré la capacité des techniques de mélange proposées à extraire des données sur les masses nucléaires.

Cette recherche a démontré que les mélanges de modèles globaux et locaux présentent d'excellentes performances à la fois en termes de précision de leurs prédictions et de quantification de leur incertitude. Ces mélanges semblent préférables à la moyenne du modèle bayésien classique, l'approche conventionnelle. De plus, l'analyse des chercheurs indique que l'amélioration des prédictions des modèles grâce à un mélange simple conduit à des extrapolations plus robustes que le mélange de modèles corrigés.