論文の概要: Predicting nuclear masses with product-unit networks

• arxiv url: http://arxiv.org/abs/2305.04675v1
• Date: Mon, 8 May 2023 12:51:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 14:17:54.670886
• Title: Predicting nuclear masses with product-unit networks
• Title（参考訳）: 製品ユニットネットワークによる核質量予測
• Authors: Babette Dellen, Uwe Jaekel, Paulo S.A. Freitas, and John W. Clark
• Abstract要約: 本稿では,通常のニューロンのような処理ユニットを複雑な値の製品ユニットに置き換える,新しいタイプのニューラルネットワークの提案と探索を行う。 その性能は、いくつかのニューラルネットワークアーキテクチャのアーキテクチャと比較され、核質量予測への適合性を実証している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate estimation of nuclear masses and their prediction beyond the experimentally explored domains of the nuclear landscape are crucial to an understanding of the fundamental origin of nuclear properties and to many applications of nuclear science, most notably in quantifying the $r$-process of stellar nucleosynthesis. Neural networks have been applied with some success to the prediction of nuclear masses, but they are known to have shortcomings in application to extrapolation tasks. In this work, we propose and explore a novel type of neural network for mass prediction in which the usual neuron-like processing units are replaced by complex-valued product units that permit multiplicative couplings of inputs to be learned from the input data. This generalized network model is tested on both interpolation and extrapolation data sets drawn from the Atomic Mass Evaluation. Its performance is compared with that of several neural-network architectures, substantiating its suitability for nuclear mass prediction. Additionally, a prediction-uncertainty measure for such complex-valued networks is proposed that serves to identify regions of expected low prediction error.
• Abstract（参考訳）: 核質量の正確な推定と核景観の実験的探究領域を超えての予測は、核特性の基本的な起源の理解と核科学の多くの応用に不可欠であり、特に星核合成のr$-processの定量化において重要である。 ニューラルネットワークは、核質量の予測にいくつかの成功をおさめてきたが、外挿タスクへの応用には欠点があることが知られている。 本研究では,入力データから入力の乗算結合を学習するための,通常のニューロンのような処理ユニットを複雑な値の積単位に置き換える,新しいタイプのニューラルネットワークの提案と探索を行う。 この一般化ネットワークモデルは、原子質量評価から引き出された補間データと補間データの両方でテストされる。 その性能はいくつかのニューラルネットワークアーキテクチャと比較され、核質量予測に適合する。 また, 予測誤差の低い領域を識別するために, 複雑な値のネットワークに対する予測不確実性尺度が提案されている。

関連論文リスト

• What Makes Data Suitable for a Locally Connected Neural Network? A Necessary and Sufficient Condition Based on Quantum Entanglement [12.143300311536201]
  特定の局所的に接続されたニューラルネットワークは、データ分布が低い量子エンタングルメントを許容している場合に限り、データ分布を正確に予測できることを示す。 我々は、局所的に接続されたニューラルネットワークに対するデータ分布の適合性を高めるための前処理手法を導出する。
  論文  参考訳（メタデータ） (2023-03-20T16:34:39Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• Solving the nuclear pairing model with neural network quantum states [58.720142291102135]
  本稿では,職業数形式論における核多体問題の解法としてモンテカルロ法を提案する。 リコンフィグレーションアルゴリズムのメモリ効率向上版を開発し,ハミルトニアンの期待値を最小限に抑えてネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2022-11-09T00:18:01Z)
• Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a Polynomial Net Study [55.12108376616355]
  NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。 本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。 我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
  論文  参考訳（メタデータ） (2022-09-16T06:36:06Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Machine learning and atomic layer deposition: predicting saturation times from reactor growth profiles using artificial neural networks [0.0]
  反応器の異なる地点で測定された線量時間と厚さ値に基づいて飽和時間を予測するためにニューラルネットワークを訓練するために設計されたデータセットを提案する。 その結果、トレーニングされたニューラルネットワークは、表面運動学に関する事前情報を必要とすることなく、飽和時間を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2022-05-10T23:18:22Z)
• Spectral density reconstruction with Chebyshev polynomials [77.34726150561087]
  厳密な誤差推定で有限エネルギー分解能の制御可能な再構成を行う方法を示す。 これは、核と凝縮物質物理学における将来の応用の道を開くものである。
  論文  参考訳（メタデータ） (2021-10-05T15:16:13Z)
• Neural network interpretability for forecasting of aggregated renewable generation [0.0]
  太陽発電を予測するために集約されたプロシューマーが必要である。 本稿では,この問題を解決するために2つの解釈可能なニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-19T11:50:26Z)
• And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
  ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。 そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。 MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-15T08:19:05Z)
• Quantified limits of the nuclear landscape [0.24792948967354234]
  粒子結合同位体の射程を予測することは、核理論にとって有意義な挑戦である。 我々は, 微視的核質量モデルとベイズ法を用いて, 陽子と中性子分離エネルギーの定量予測を行う。 この研究で得られた外挿は、エキゾチック核に関する新しい実験情報が利用可能になったときに、厳密な試験によって行われる。
  論文  参考訳（メタデータ） (2020-01-16T16:25:00Z)

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。