贝叶斯神经网络（BNN）方法用于改进各种模型的核质量预测。 发现似然函数中的噪声误差在BNN方法的预测性能中起着重要作用。 通过包括噪声误差的分布，可以在采样过程中自动找到合适的值，从而优化了核质量预测。 此外，除质子和质数外，还将与核对和壳效应有关的两个量添加到输入层。 结果，不仅对于核质量，而且对于单核子分离能，理论精度都得到了显着提高。 由于包含壳效应，因此在未知区域中，BNN方法预测的壳校正结构与已知区域中的壳校正结构类似，例如，相对论平均场中魔术数周围的核质量低估的预测 模型。 这表明，如果BNN方法中包含更多的物理特征，则可以实现更好的预测性能。