論文の概要: Predictions of charge density distributions for nuclei with $Z \geq 8$

• arxiv url: http://arxiv.org/abs/2604.05312v1
• Date: Tue, 07 Apr 2026 01:32:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:29.904493
• Title: Predictions of charge density distributions for nuclei with $Z \geq 8$
• Title（参考訳）: Z \geq 8$の原子核における電荷密度分布の予測
• Authors: Yun Dong Wang, Tian Shuai Shang, Hui Hui Xie, Peng Xiang Du, Jian Li, Haozhao Liang,
• Abstract要約: 陽子数$Zgeq 8$の原子核の電荷密度分布を正確に予測するディープニューラルネットワーク(DNN)が開発された。 従来の手法に比べて予測精度が大幅に向上した。
• 参考スコア（独自算出の注目度）: 3.652058521409836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A deep neural network (DNN) has been developed to accurately predict nuclear charge density distributions for nuclei with proton numbers $Z \geq 8$. By incorporating essential nuclear structure features, the model achieves a significant improvement in predictive accuracy over conventional methods. The charge density distributions are analyzed using a Fourier-Bessel (FB) series expansion, and the DNN is trained on a comprehensive dataset derived from relativistic continuum Hartree-Bogoliubov (RCHB) theory calculations. The model demonstrates exceptional performance, with root-mean-square deviations of 0.0123 fm and 0.0198 fm for charge radii on the training and validation sets, respectively, remarkably surpassing the precision of the original RCHB calculations. Beyond advancing nuclear physics research, this high-precision model provides critical data for applications in atomic physics, nuclear astrophysics, and related fields.
• Abstract（参考訳）: 陽子数$Z \geq 8$の原子核の電荷密度分布を正確に予測するディープニューラルネットワーク(DNN)が開発された。 本モデルは,本質的な核構造の特徴を取り入れることで,従来の手法よりも予測精度が大幅に向上する。 電荷密度分布はフーリエ・ベッセル級数展開を用いて解析され、DNNは相対論的連続体Hartree-Bogoliubov(RCHB)理論計算から導かれた包括的データセットに基づいて訓練される。 このモデルは、トレーニングセットとバリデーションセットにおいて、それぞれ0.0123 fmと0.0198 fmのルート平均平方偏差が、元のRCHB計算の精度を著しく上回る、例外的な性能を示す。 核物理学の研究の進展以外にも、この高精度モデルは、原子物理学、核天体物理学、および関連する分野の応用に重要なデータを提供する。

関連論文リスト

• Theory Framework for Medium-Mass Muonic Atoms [0.0]
  我々は、ムオン原子における境界状態エネルギーの計算のための最先端の理論的アプローチを提案する。 理論的不確かさを体系的に評価し,改良された量子電磁力学効果と核偏極補正を取り入れた。
  論文  参考訳（メタデータ） (2026-03-23T14:29:25Z)
• Scalable Learning of Multivariate Distributions via Coresets [48.02318786960811]
  我々は,多変量条件変換モデル(MCTM)のための新しいコアセットの構築を行い,そのスケーラビリティと訓練効率を向上させる。 提案手法は,重要サンプリングによる大幅なデータ削減を実現する。 これまでコアセットが組み込まれてきた従来のフルパラメトリックモデルと比較して,我々の半パラメトリックアプローチは適応性の向上を示す。
  論文  参考訳（メタデータ） (2026-03-20T09:28:43Z)
• Machine learning Hubbard parameters with equivariant neural networks [0.0]
  等変ニューラルネットワークに基づく機械学習モデルを提案する。 ここでは,繰り返し線形応答計算を用いて自己整合的に計算したハバードパラメータの予測を行う。 本モデルでは,Hubbard $U$および$V$パラメータの平均絶対相対誤差を平均3%,5%とする。
  論文  参考訳（メタデータ） (2024-06-04T16:21:24Z)
• Accurate Hyperfine Tensors for Solid State Quantum Applications: Case of the NV Center in Diamond [0.0]
  計算された超微粒子パラメータの絶対相対誤差は、弱い結合核スピンに対するVASPにおいて100%以上であることを示す。 得られたNV中心の正確な超微細データにより、NV量子ノードの高精度なシミュレーションが可能になる。
  論文  参考訳（メタデータ） (2023-09-07T19:33:06Z)
• Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
  拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。 実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
  論文  参考訳（メタデータ） (2023-03-03T11:31:55Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Hybrid Random Features [60.116392415715275]
  ハイブリッドランダム特徴(HRF)と呼ばれるソフトマックスとガウス核の線形化のための新しいランダム特徴法を提案する。 HRFは、カーネル推定の品質を自動的に適応し、定義された関心領域の最も正確な近似を提供する。
  論文  参考訳（メタデータ） (2021-10-08T20:22:59Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• 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。