原子核质量是原子核最基本的性质之一。当下,实验上共测量了约2600种原子核的质量。然而,不同的理论模型给出的核素种类大约为7000—10000种。探索剩余核素的质量是核物理学中一个普通的话题。机器学习在许多领域都已经成为分析处理复杂数据的有力工具。我们使用一种高效的机器学习算法Light GBM来预测未知原子核的质量,并探索丰中子一侧的核素岛。将几个特征量（例如质量数和质子数）输入LightGBM算法中,训练特征量与理论模型之间的残差δ（Z,A）以修正理论质量模型。理论模型包括:液滴模型（LDM）、Duflo-Zucker（DZ28,这里称之为DZ）质量模型、有限程液滴模型（FRDM2012,这里称之为FRDM）以及Weizs（?）cker-Skyrme（WS4）质量模型。使用AME2016中80%的原子核的数据作为训练集,LightGBM修正后的质量模型在剩余20%测试集上的预测值与实验值的均方根偏差（RMSD）分别为0.234、0.213、0.170、0.222 Me V,对应质量模型为LDM、DZ、WS4、FRDM。相比于原质量模型,Light GBM修正后的均方根偏差分别降低了约90%、65%、40%和60%。Light GBM在AME2020中出现的66个新测量的核质量的RMSD也得到了显著改善。评估了基于Light GBM修正的质量模型预测的单中子和双中子分离能,并比较新测量的核的双中子分离能（例如Ca、Ti、Pm和Sm的一些同位素）,得到与实验相一致的结果。此外,输入特征量和输出之间的相关性可以通过SHAP方法来解释,这可以为发展理论核质量模型提供新的见解。基于极端相对论量子分子动力学（UrQMD）模型,在模型初始化部分考虑弹靶核的四极形变,研究形变对不同入射能量（每核子0.4,1.0和1.5 GeV）下的238U+238U碰撞的影响。利用LightGBM决策树算法训练初始化过程中有无形变效应所给出的反应末态的自由质子、带电碎片（质量数A＞1）以及带电π介子的横动量（pt）与快度（y0）的分布,使决策树算法具备从逐事件给出的末态粒子分布中识别原子核形变的能力。利用LightGBM算法中的重要特征分析发现弹靶快度区的带电碎片数敏感于弹靶核的四极形变,可以作为用重离子碰撞探测原子核四极形变的探针。