論文の概要: Product units in gated recurrent networks enhance prediction of nuclear masses and charge radii
- arxiv url: http://arxiv.org/abs/2611.18066v1
- Date: Fri, 13 Nov 2026 11:49:40 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:29:23.091518
- Title: Product units in gated recurrent networks enhance prediction of nuclear masses and charge radii
- Title(参考訳): ゲートリカレントネットワークにおける生成物ユニットは、核質量と電荷半径の予測を促進する
- Abstract要約: ゲートリカレントユニット(GRU)に基づく原子核質量と電荷半径を予測する機械学習手法を提案する。
我々は,MI-PU-GRUが平均原子量RMSEが0.2698MeVで時間時間RMSEが0. 1905MeVであることを示す。
- 参考スコア(独自算出の注目度): 0.8574682463936006
- License:
- Abstract: The prediction of nuclear properties 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 for predicting nuclear masses and charge radii based on gated recurrent units (GRU) that integrates learnable product-unit mappings into the candidate state to model multiplicative dependencies among neighboring nuclei. Computations are performed in the complex domain to jointly capture amplitude and phase dynamics. Across three data partitions and three training seeds per partition, AM-PU-GRU achieves a mean mass interpolation RMSE of 0.2698 MeV and a temporal RMSE of 0.1905 MeV. Configuration comparisons support the integration of learned products into gated recurrence. Without mass inputs, MI-PU-GRU predicts charge radii with an RMSE of 0.019947 fm, 14.40% below the fixed WS* prior. Matched radius controls further show how candidate fusion shapes the benefit of learned products. Paired errors, nuclide-resolved maps, and inference measurements characterize predictive gains and computational cost. This article is an extended version of our ICCS 2026 conference paper (doi:10.1007/978-3-032-29921-5_10).
- Abstract(参考訳): 機械学習を用いた核特性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、学習可能な製品ユニットマッピングを候補状態に統合し、近隣核間の乗法的依存関係をモデル化するゲートリカレントユニット(GRU)に基づいて、核質量と電荷半径を予測する機械学習手法を提案する。
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。
3つのデータパーティションと3つのトレーニングシードで、AM-PU-GRUは平均質量補間RMSEが0.2698MeV、時間側質量補間RMSEが0. 1905MeVとなる。
構成比較は、学習した製品をゲート再帰に統合するのをサポートする。
質量入力がなければ、MI-PU-GRU は RMSE の 0.019947 fm で電荷半径を予測し、固定された WS* よりも 14.40% 低い。
一致した半径制御は、融合候補が学習した製品の利点をどう形作るかをさらに示す。
誤差、ヌクリッド分解マップ、推論測定は予測ゲインと計算コストを特徴づける。
この記事はICCS 2026カンファレンスペーパーの拡張版である(doi:10.1007/978-3-032-29921-5_10)。
関連論文リスト
- Radial Kernel Attention for Global Feature Exchange in Polymer Machine Learning Force Fields [11.61353925312909]
高分子機械学習力場における長距離モデリングのためのRKA(Radial Kernel Attention)を提案する。
RKAは、クラスタセントロイドから学習したラジアル特徴に原子間距離をマッピングし、カーネル化されたオーバーラップとコンテンツ依存のクエリとキーを組み合わせる。
OPoly26トレーニングセットを12エポックでトレーニングし,オフィシャル検証セットのトレーニング後に直接評価する。
論文 参考訳(メタデータ) (2026-10-30T12:42:01Z) - Learning Nuclear Structure with AI: Radii and Collectivity [2.931240348160871]
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。
論文 参考訳(メタデータ) (2026-09-15T20:57:36Z) - MALOQ: Massively Accelerated Learning of Operators for Quantum Transport [71.9141151643915]
MALOQは、少数の原子から100kの系の電子構造行列をトレーニングし、予測するために開発されたアプリケーションである。
分子ワイド分散フレームワークと比較して、エポック当たりの時間を30%以上削減する。
アルプススーパーコンピュータ上で3,000-12,000個の原子に対するスケーラブルなトレーニングと推論を実演する。
論文 参考訳(メタデータ) (2026-06-27T13:34:52Z) - Product units in gated recurrent units improve nuclear-mass prediction [0.8574682463936006]
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。
論文 参考訳(メタデータ) (2026-06-05T03:25:50Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳(メタデータ) (2025-11-04T17:22:22Z) - 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。
また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
論文 参考訳(メタデータ) (2023-03-21T17:58:49Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - Kernel learning approaches for summarising and combining posterior
similarity matrices [68.8204255655161]
我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。
我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
論文 参考訳(メタデータ) (2020-09-27T14:16:14Z) - 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)
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。