論文の概要: Learning Nuclear Structure with AI: Radii and Collectivity

• arxiv url: http://arxiv.org/abs/2609.17838v1
• Date: Tue, 15 Sep 2026 20:57:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.541848
• Title: Learning Nuclear Structure with AI: Radii and Collectivity
• Title（参考訳）: AIによる核構造学習 - Radiiと集合性
• Abstract要約: 低エネルギーの核構造は、ヌクリドのチャートにまたがる幅広い実験情報にコード化されている。 そこで我々は,核データのマルチタスクモデルである NuCLR に基づくアンサンブルを開発し,電荷半径と電気四極子遷移強度について検討する。
• 参考スコア（独自算出の注目度）: 2.931240348160871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-energy nuclear structure is encoded in a broad body of experimental information across the chart of nuclides. Learning how this information is organized across observables and nuclei can provide a data-driven empirical baseline for theoretical extrapolations and experimental design. Here, we develop held-out ensembles based on NuCLR (Nuclear Co-Learned Representations), a multi-task model of nuclear data, to study charge radii and electric-quadrupole transition strengths. Out-of-fold (OOF) validation shows that shared representation improves performance over single-task learning, yielding a charge-radius $\mathrm{RMS}$ deviation of $0.0147~{\rm fm}$ and a $\mathrm{B(E2)}$ $\mathrm{RMS}$ deviation of $0.192~e^2{\rm b}^2$ across hundreds of nuclides, competitive with state-of-the-art nuclear models. Our error bars estimate the expected prediction accuracy across the nuclear chart, highlighting regions where new data would encode information beyond the learned patterns. NuCLR thus serves as a data-driven surveyor of nuclear structure and a step toward a shared, multi-observable foundation model of the nuclear chart.
• Abstract（参考訳）: 低エネルギーの核構造は、ヌクリドのチャートにまたがる幅広い実験情報にコード化されている。 この情報を観測対象と核にまたがってどのように整理するかを学ぶことで、理論的外挿と実験設計のためのデータ駆動の実験的ベースラインを提供することができる。 そこで我々は,核データのマルチタスクモデルである NuCLR (Nuclear Co-Learned Representations) に基づくホールドアウトアンサンブルを開発し,電荷半径と電気四極子遷移強度について検討した。 Out-of-fold (OOF) 検証によると、共有表現はシングルタスク学習よりもパフォーマンスを向上し、チャージラディウス$\mathrm{RMS}$の偏差が0.0147~{\rm fm}$の偏差と$$\mathrm{B(E2)}$の偏差が0.192~e^2{\rm b}^2$の偏差が数百個の核融合モデルと競合することを示している。 我々のエラーバーは、予測された予測精度を核チャート全体で推定し、新しいデータが学習パターンを超えて情報をエンコードする領域を強調します。 NuCLRは、核構造のデータ駆動調査と、核チャートの共有多可観測基盤モデルへのステップとして機能する。

関連論文リスト

• A platform for nuclear symmetry-violation searches with laser-coolable molecules carrying spinful nuclei [0.0]
  本稿では,冷却,トラップ,コヒーレント状態操作,完全精度測定プロトコルを統合した総合的な実験ツールボックスを提案する。 137$Ba$19$F と核スピン依存パリティ違反 (NSD-PV) を代表種およびベンチマークとして用いて, 提案手法は, ほぼ2桁の分子線を超える統計的感度を予測した。
  論文  参考訳（メタデータ） (2026-08-06T15:09:11Z)
• Predictions of charge density distributions for nuclei with $Z \geq 8$ [3.652058521409836]
  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。
  論文  参考訳（メタデータ） (2026-04-07T01:32:53Z)
• InfoBridge: Mutual Information estimation via Bridge Matching [70.71590371950948]
  拡散ブリッジモデルは、最近、生成モデリングの分野で強力なツールとなっている。 我々は2つの確率変数間の相互情報(MI)の推定にそれらの力を利用する。 従来のMI推定器では,データポーズが困難であった場合の非バイアス推定器を構築した。
  論文  参考訳（メタデータ） (2025-02-03T14:18:37Z)
• 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)
• 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)
• 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)
• Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images [65.47507533905188]
  重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。 新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。 提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
  論文  参考訳（メタデータ） (2021-09-30T17:29:44Z)
• Nuclei with up to $\boldsymbol{A=6}$ nucleons with artificial neural network wave functions [52.77024349608834]
  人工ニューラルネットワークを用いて、核の波動関数をコンパクトに表現する。 高精度な超球面調和法を用いて, それらの結合エネルギー, 点核子密度, ラジイをベンチマークした。
  論文  参考訳（メタデータ） (2021-08-15T23:02:39Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)
• 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。