研究人员开发了一种新的机器学习技术,使用门控循环单元(GRU)来预测核质量和电荷半径等核性质。该方法集成了可学习的产品单元映射,以模拟相邻核之间的乘法依赖关系,并在复数域中进行计算以捕获幅度和相位动态。提出的AM-PU-GRU模型实现了0.2698 MeV的平均质量内插RMSE和0.1905 MeV的时间RMSE,而其变体MI-PU-GRU则以0.019947 fm的RMSE预测了电荷半径,比固定的WS*先验提高了14.40%。这项工作扩展了之前在ICCS 2026上发表的会议论文。 AI
影响 这项研究展示了循环神经网络在复杂科学建模中的一种新颖应用,有望提高核物理研究的准确性和效率。
排序理由 该集群包含一篇详细介绍用于科学预测的新机器学习模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →