論文の概要: Discovering Nuclear Models from Symbolic Machine Learning

• arxiv url: http://arxiv.org/abs/2404.11477v3
• Date: Wed, 3 Jul 2024 14:47:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 19:44:31.437994
• Title: Discovering Nuclear Models from Symbolic Machine Learning
• Title（参考訳）: シンボリック機械学習から核モデルを発見する
• Authors: Jose M. Munoz, Silviu M. Udrescu, Ronald F. Garcia Ruiz,
• Abstract要約: 我々は,新しい記号型機械学習(ML)が従来の核物理モデルを再発見できるかどうかを考察する。 多目的反復回帰手法を開発し、複数の観測対象物に対するシンボル回帰を処理した。 提案手法では, 陽子数と中性子数に基づいて単純な解析関係を同定し, 最先端の原子核モデルに匹敵する精度で解釈可能なモデルを提供する。
• 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: Numerous phenomenological nuclear models have been proposed to describe specific observables within different regions of the nuclear chart. However, developing a unified model that describes the complex behavior of all nuclei remains an open challenge. Here, we explore whether novel symbolic Machine Learning (ML) can rediscover traditional nuclear physics models or identify alternatives with improved simplicity, fidelity, and predictive power. To address this challenge, we developed a Multi-objective Iterated Symbolic Regression approach that handles symbolic regressions over multiple target observables, accounts for experimental uncertainties and is robust against high-dimensional problems. As a proof of principle, we applied this method to describe the nuclear binding energies and charge radii of light and medium mass nuclei. Our approach identified simple analytical relationships based on the number of protons and neutrons, providing interpretable models with precision comparable to state-of-the-art nuclear models. Additionally, we integrated this ML-discovered model with an existing complementary model to estimate the limits of nuclear stability. These results highlight the potential of symbolic ML to develop accurate nuclear models and guide our description of complex many-body problems.
• Abstract（参考訳）: 多くの現象学的核モデルが提案され、核チャートの異なる領域で特定の観測可能物を記述することが提案されている。 しかしながら、全ての核の複雑な振る舞いを記述する統一モデルの開発は、依然として未解決の課題である。 ここでは,新しいシンボリック機械学習(ML)が,従来の物理モデルを再発見するか,あるいは簡易性,忠実性,予測力を向上した代替品を識別できるかを検討する。 この課題に対処するために,多目的反復型シンボル回帰手法を開発し,複数の観測対象に対するシンボル回帰を処理し,実験的不確実性を考慮し,高次元問題に対して頑健である。 原理の証明として,光・中質量核の核結合エネルギーと電荷半径を記述するために本手法を適用した。 提案手法では, 陽子数と中性子数に基づいて単純な解析関係を同定し, 最先端の原子核モデルに匹敵する精度で解釈可能なモデルを提供する。 さらに、このML発見モデルと既存の補完モデルを統合し、核安定性の限界を推定した。 これらの結果は、正確な核モデルを開発し、複雑な多体問題の記述をガイドするシンボリックMLの可能性を強調している。

関連論文リスト

• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Diffeomorphic Measure Matching with Kernels for Generative Modeling [1.2058600649065618]
  本稿では、常微分方程式(ODE)と再生成ケルネルヒルベルト空間(RKHS)を用いて、最小分散生成モデリングおよびサンプリングに向けた確率測度を伝達するための枠組みを提案する。 提案手法の理論的解析を行い,モデルの複雑さ,トレーニングセット内のサンプル数,モデルの誤識別という観点から,事前誤差境界を与える。
  論文  参考訳（メタデータ） (2024-02-12T21:44:20Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• NuCLR: Nuclear Co-Learned Representations [0.0]
  我々は,様々な核観測値を予測する深層学習モデルであるNuCLRを紹介する。 我々は,NuCLRの学習表現が核殻モデルの重要な側面の顕著な出現を示すという興味深い発見を報告した。 これは、このモデルが基礎となる物理原理を捉えることができ、我々のアプローチが核理論に価値ある洞察を与える可能性があることを示唆している。
  論文  参考訳（メタデータ） (2023-06-09T17:59:16Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• 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)
• 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)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• 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。