論文の概要: Cross Section Doppler Broadening prediction using Physically Informed Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2208.07224v1
• Date: Thu, 11 Aug 2022 19:56:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-16 15:03:13.498508
• Title: Cross Section Doppler Broadening prediction using Physically Informed Deep Neural Networks
• Title（参考訳）: 物理情報付き深層ニューラルネットワークを用いた断面ドップラー拡大予測
• Authors: Arthur Pignet, Luiz Leal and Vaibhav Jaiswal
• Abstract要約: 中性子-核相互作用の温度依存性は、断面のドップラー拡大として知られている。 本稿では,ディープラーニング技術に基づく非線形アプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Temperature dependence of the neutron-nucleus interaction is known as the Doppler broadening of the cross-sections. This is a well-known effect due to the thermal motion of the target nuclei that occurs in the neutron-nucleus interaction. The fast computation of such effects is crucial for any nuclear application. Mechanisms have been developed that allow determining the Doppler effects in the cross-section, most of them based on the numerical resolution of the equation known as Solbrig's kernel, which is a cross-section Doppler broadening formalism derived from a free gas atoms distribution hypothesis. This paper explores a novel non-linear approach based on deep learning techniques. Deep neural networks are trained on synthetic and experimental data, serving as an alternative to the cross-section Doppler Broadening (DB). This paper explores the possibility of using physically informed neural networks, where the network is physically regularized to be the solution of a partial derivative equation, inferred from Solbrig's kernel. The learning process is demonstrated by using the fission, capture, and scattering cross sections for $^{235}U$ in the energy range from thermal to 2250 eV.
• Abstract（参考訳）: 中性子-核相互作用の温度依存性は、断面のドップラー拡大として知られている。 これは中性子-核相互作用で発生する標的核の熱運動によるよく知られた効果である。 このような効果の高速計算はいかなる核応用にも不可欠である。 断面におけるドップラー効果を決定できるメカニズムが開発されており、その大半は、自由気体原子分布仮説から導かれた形式主義を拡大する断面ドップラーであるソルブリグ核と呼ばれる方程式の数値解に基づいている。 本稿では,ディープラーニング技術に基づく非線形アプローチを提案する。 ディープニューラルネットワークは、合成データと実験データに基づいて訓練され、クロスセクションドップラーブロードニング(DB)の代替として機能する。 本稿では、Solbrigのカーネルから推定される偏微分方程式の解として、ネットワークを物理的に正規化する物理情報ニューラルネットワークの利用の可能性を検討する。 学習過程は、熱から2250eVまでのエネルギー範囲において、$^{235}U$の分裂、捕獲、散乱断面積を用いて実証される。

関連論文リスト

• Novel Kernel Models and Exact Representor Theory for Neural Networks Beyond the Over-Parameterized Regime [52.00917519626559]
  本稿では、ニューラルネットワークの2つのモデルと、任意の幅、深さ、トポロジーのニューラルネットワークに適用可能なトレーニングについて述べる。 また、局所外在性神経核(LeNK)の観点から、非正規化勾配降下を伴う階層型ニューラルネットワークトレーニングのための正確な表現子理論を提示する。 この表現論は、ニューラルネットワークトレーニングにおける高次統計学の役割と、ニューラルネットワークのカーネルモデルにおけるカーネル進化の影響について洞察を与える。
  論文  参考訳（メタデータ） (2024-05-24T06:30:36Z)
• Controlling the Inductive Bias of Wide Neural Networks by Modifying the Kernel's Spectrum [18.10812063219831]
  所望の固有値を持つカーネルに改良スペクトルカーネル(MSK)を導入する。 本研究では,勾配勾配の軌道を変化させる事前条件付き勾配降下法を提案する。 私たちの手法は計算効率が良く、実装も簡単です。
  論文  参考訳（メタデータ） (2023-07-26T22:39:47Z)
• Spectral-Bias and Kernel-Task Alignment in Physically Informed Neural Networks [4.604003661048267]
  物理情報ニューラルネットワーク(PINN)は微分方程式の解法として有望である。 この重要な問題に光を当てる包括的な理論的枠組みを提案する。 我々は、PINN予測を大容量データセット限界で支配する積分微分方程式を導出する。
  論文  参考訳（メタデータ） (2023-07-12T18:00:02Z)
• Dilute neutron star matter from neural-network quantum states [58.720142291102135]
  低密度中性子物質はクーパー対の形成と超流動の開始によって特徴づけられる。 我々は、モンテカルロ変分法と再構成技術を組み合わせた隠れ核量子ネットワーク量子状態の表現性に乗じて、この密度構造をモデル化する。
  論文  参考訳（メタデータ） (2022-12-08T17:55:25Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
  本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。 分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2022-02-28T13:01:04Z)
• Intrinsic mechanisms for drive-dependent Purcell decay in superconducting quantum circuits [68.8204255655161]
  キャビティ・クビット・デチューニングは,多種多様な設定において,非ゼロフォトニック集団がクビット崩壊パーセルを増大または減少させるか否かを制御している。 本手法は,ケディシュによるシステム処理の知見とリンドブラッド理論を組み合わせたものである。
  論文  参考訳（メタデータ） (2021-06-09T16:21:31Z)
• Solving the electronic Schr\"odinger equation for multiple nuclear geometries with weight-sharing deep neural networks [4.1201966507589995]
  本稿では,異なる分子ジオメトリに対するニューラルネットワークモデル最適化において,重み共有制約を導入する。 この手法は、同じ分子の核ジオメトリの集合を等級で考えることで最適化を加速することができる。
  論文  参考訳（メタデータ） (2021-05-18T08:23:09Z)
• HypoSVI: Hypocenter inversion with Stein variational inference and Physics Informed Neural Networks [6.102077733475759]
  定常変動を考慮した分散音響インバージョン方式を提案する。 我々のアプローチは、ニューラルネットワークの形で微分可能なフォワードモデルを用いる。 ディファレンシャルタイムの数で需要が効率的に拡大していることを示します。
  論文  参考訳（メタデータ） (2021-01-09T01:56:48Z)
• Extracting Electron Scattering Cross Sections from Swarm Data using Deep Neural Networks [2.28438857884398]
  本研究では,人工知能ニューラルネットワーク(ANN),畳み込みニューラルネットワーク(CNN),密結合畳み込みニューラルネットワーク(DenseNet)を実装した。 我々は、これらの訓練された全てのネットワークによる、幅広いガス種に対する予測の有効性を検証した。
  論文  参考訳（メタデータ） (2020-11-30T11:48:15Z)
• A multiconfigurational study of the negatively charged nitrogen-vacancy center in diamond [55.58269472099399]
  広帯域ギャップ半導体の深い欠陥は、量子センシングと情報応用を実現するための主要な量子ビット候補として現れている。 ここでは、単一粒子処理とは異なり、伝統的に原子/分子に予約されていた多重構成量子化学法は、これらの欠陥中心の電子状態の多体特性を正確に記述する。
  論文  参考訳（メタデータ） (2020-08-24T01:49:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。