論文の概要: Product units in gated recurrent units improve nuclear-mass prediction

• arxiv url: http://arxiv.org/abs/2606.06866v1
• Date: Fri, 05 Jun 2026 03:25:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.543063
• Title: Product units in gated recurrent units improve nuclear-mass prediction
• Title（参考訳）: ゲートリカレントユニットの製品ユニットは、核質量予測を改善する
• Authors: Ziyuan Li, Paulo S. A. Freitas, John W. Clark, Babette Dellen,
• Abstract要約: ゲートリカレントユニット(GRU)に基づく機械学習手法を提案する。 繰り返し単位に乗法的相互作用と積-単位変換を統合することにより、核質量予測の大幅な改善を報告した。 本研究は, 複雑な製品単位再カレントネットワークを, シークエンスに基づく核質量予測の新しいベンチマークとして確立した。
• 参考スコア（独自算出の注目度）: 0.8574682463936006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prediction of masses of atomic nuclei using machine learning can complement theoretical models and advance the exploration of poorly known domains of the nuclear chart. We propose a machine learning technique based on gated recurrent units (GRU), which have demonstrated competitive performance in nuclear-mass prediction by exploiting long-term dependencies. By integrating multiplicative interactions and product-unit transformations within recurrent units, we report significant improvements in nuclear-mass prediction. Computations are performed in the complex domain to jointly capture amplitude and phase dynamics. For interpolation and temporal-extrapolation tasks based on the atomic mass evaluation (AME2016 and AME2020), the complex additive-multiplicative product-unit gated recurrent unit (AM-PU-GRU) model consistently achieves the lowest prediction errors, with an interpolation RMSE of 0.227 $\pm$ 0.004 MeV and an extrapolation RMSE of 0.179 $\pm$ 0.015 MeV. These results surpass other state-of-the-art machine learning models and also outperform the real-valued GRU baseline and product-unit ablation variants, while remaining robust to different theoretical priors, including WS4 and SEMF. Our findings establish complex-valued product-unit recurrent networks as a new benchmark for sequence-based nuclear-mass prediction.
• Abstract（参考訳）: 機械学習による原子核の質量の予測は理論モデルを補完し、未知の領域の探索を進めることができる。 本稿では,長期的依存を生かして,原子力質量予測における競合性能を示す,ゲートリカレントユニット(GRU)に基づく機械学習手法を提案する。 繰り返し単位に乗法的相互作用と積-単位変換を統合することにより、核質量予測の大幅な改善を報告した。 複雑な領域で計算を行い、振幅と位相のダイナミクスを共同でキャプチャする。 原子質量評価 (AME2016, AME2020) に基づく補間および時間的外挿タスクにおいて、複素加法的積単位ゲート整流ユニット (AM-PU-GRU) モデルは最低予測誤差を一貫して達成し、補間RMSEは0.227$\pm$ 0.004MeV、外挿RMSEは0.179$\pm$ 0.015MeVである。 これらの結果は、他の最先端機械学習モデルを超え、実価値の高いGRUベースラインや製品ユニットのアブレーションモデルよりも優れている一方で、WS4やSEMFなど様々な理論上の先行モデルに頑健である。 本研究は, 複雑な製品単位再カレントネットワークを, シークエンスに基づく核質量予測の新しいベンチマークとして確立した。

関連論文リスト

• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture [0.003710987587629279]
  我々は,周期的境界条件を考慮したU-Netアーキテクチャを用いた畳み込みニューラルネットワーク(CNN)サロゲートモデルを開発した。 我々はこのモデルを用いて,生体内血管新生の研究に用いる機械的セルラーポッツモデルの評価を高速化する。
  論文  参考訳（メタデータ） (2025-05-01T05:30:38Z)
• Interpretable Deep Learning for Polar Mechanistic Reaction Prediction [43.95903801494905]
  PMechRP(Polar Mechanistic Reaction Predictor)は,PMechDBデータセット上で機械学習モデルをトレーニングするシステムである。 私たちは、トランスフォーマーベース、グラフベース、および2段階のシアムアーキテクチャを含む、さまざまな機械学習モデルの比較をトレーニングします。 私たちの最高のパフォーマンスのアプローチはハイブリッドモデルで、5アンサンブルのChemformerモデルと2ステップのSiameseフレームワークを組み合わせたものです。
  論文  参考訳（メタデータ） (2025-04-22T02:31:23Z)
• Single Domain Generalization with Model-aware Parametric Batch-wise Mixup [22.709796153794507]
  単一ドメインの一般化は、マシンラーニングの分野において、依然として深刻な課題である。 本稿では,モデル認識型パラメトリックバッチ・ワイド・ミックスアップ(Parametric Batch-wise Mixup)と呼ばれる新しいデータ拡張手法を提案する。 機能間相関を利用することで、パラメータ化されたミックスアップジェネレータは、複数のインスタンスにまたがる機能の組み合わせにおいて、さらなる汎用性を導入する。
  論文  参考訳（メタデータ） (2025-02-22T03:45:18Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Predicting nuclear masses with product-unit networks [0.0]
  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。
  論文  参考訳（メタデータ） (2023-05-08T12:51:16Z)
• 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)

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。