論文の概要: The DNA of nuclear models: How AI predicts nuclear masses

• arxiv url: http://arxiv.org/abs/2508.08370v1
• Date: Mon, 11 Aug 2025 18:00:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.19828
• Title: The DNA of nuclear models: How AI predicts nuclear masses
• Title（参考訳）: 核モデルのDNA:AIが核質量を予測する方法
• Authors: Kate A. Richardson, Sokratis Trifinopoulos, Mike Williams,
• Abstract要約: 本稿では,E_b$の最先端精度を実現するAIモデルを提案する。 E_b$のAI予測は階層的に分解・順序付け可能であり、最も重要な用語はよく知られた記号モデルに対応する。
• 参考スコア（独自算出の注目度）: 2.048226951354646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Obtaining high-precision predictions of nuclear masses, or equivalently nuclear binding energies, $E_b$, remains an important goal in nuclear-physics research. Recently, many AI-based tools have shown promising results on this task, some achieving precision that surpasses the best physics models. However, the utility of these AI models remains in question given that predictions are only useful where measurements do not exist, which inherently requires extrapolation away from the training (and testing) samples. Since AI models are largely black boxes, the reliability of such an extrapolation is difficult to assess. We present an AI model that not only achieves cutting-edge precision for $E_b$, but does so in an interpretable manner. For example, we find (and explain why) that the most important dimensions of its internal representation form a double helix, where the analog of the hydrogen bonds in DNA here link the number of protons and neutrons found in the most stable nucleus of each isotopic chain. Furthermore, we show that the AI prediction of $E_b$ can be factorized and ordered hierarchically, with the most important terms corresponding to well-known symbolic models (such as the famous liquid drop). Remarkably, the improvement of the AI model over symbolic ones can almost entirely be attributed to an observation made by Jaffe in 1969. The end result is a fully interpretable data-driven model of nuclear masses.
• Abstract（参考訳）: 核質量の高精度な予測、または同等の核結合エネルギー、$E_b$は、核物理学研究において重要な目標である。 最近、多くのAIベースのツールがこのタスクに対して有望な結果を示しており、いくつかは最高の物理モデルを超える精度を達成している。 しかしながら、これらのAIモデルの有用性は、測定が存在しない場合にのみ有効であり、本質的にはトレーニング(およびテスト)サンプルから外挿を必要とするため、依然として疑問視されている。 AIモデルは大部分がブラックボックスであるため、そのような外挿の信頼性を評価するのは難しい。 我々は、E_b$の最先端精度を達成するだけでなく、解釈可能な方法でAIモデルを提案する。 例えば、内部表現の最も重要な次元は二重ヘリックスであり、ここではDNAの水素結合のアナログがそれぞれの同位体鎖の最も安定な核にある陽子と中性子の数とを結びつける。 さらに、E_b$のAI予測は階層的に分解でき、最も重要な用語は有名な記号モデル(有名な液滴など)に対応する。 注目すべきは、象徴的なモデルに対するAIモデルの改善は、1969年にJaffeが行った観測によるものである。 最終的な結果は、完全に解釈可能なデータ駆動型の核質量モデルである。

関連論文リスト

• Discovering Nuclear Models from Symbolic Machine Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2024-04-17T15:32:58Z)
• Efficient Approximations of Complete Interatomic Potentials for Crystal Property Prediction [63.4049850776926]
  結晶構造は、3次元空間で無限に繰り返される最小単位セルからなる。 現在の手法は、近くのノード間だけにエッジを確立することによってグラフを構築する。 距離のみを用いるのではなく,物理を前提とした原子間ポテンシャルを直接モデル化することを提案する。
  論文  参考訳（メタデータ） (2023-06-12T07:19:01Z)
• 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)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• An introduction to computational complexity and statistical learning theory applied to nuclear models [0.0]
  核物理学は、限られた数の核から推定されるモデルから高い精度を要求する。 学習の統計理論やハミルトンの複雑性など、計算科学のいくつかの概念を紹介します。 質量モデルを所定の精度に外挿するために必要なデータの量について、それらを文脈的に分析します。
  論文  参考訳（メタデータ） (2022-11-11T13:07:26Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• On the properties of the asymptotic incompatibility measure in multiparameter quantum estimation [62.997667081978825]
  Incompatibility (AI) は、ホレヴォとSLDスカラー境界の差を定量化する尺度である。 最大AI量は、$mu_sf min = 1/(d-1)$より大きい純度で特徴づけられる量子統計モデルに対してのみ達成可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-28T15:16:37Z)
• Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
  そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。 我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。 CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-05-18T15:13:00Z)
• 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。