实体
AME2016
AME2016
PulseAugur coverage of AME2016 — every cluster mentioning AME2016 across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
Interpretable Neural Networks Leverage Nuclear Symmetries for Mass Prediction
研究人员开发了三种新颖的神经网络模型—FINN、GINN和WINN—来探索核对称性并预测核质量。这些模型在AME2016上训练，并在AME2020数据上进行验证，证明了结合Wigner的SU(4)对称性可以显著降低预测误差。特别是WINN模型，实现了0.430 MeV的低均方根误差，可与最先进的方法相媲美，并提供了对核物理的见解，例如中子滴线附近对称性的恢复以及超重核的行为。
-
新的GRU模型提高了核质量预测精度
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）来改进原子核质量的预测。通过在GRU架构中引入乘法交互和乘积单元变换，该模型在内插和外插任务中均取得了最先进的结果。复值加法-乘法乘积单元GRU（AM-PU-GRU）显示出比现有机器学习模型和传统GRU基线更低的预测误差。