实体
SU(3)
SU(3)
PulseAugur coverage of SU(3) — every cluster mentioning SU(3) across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 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。
-
量子熵估计对小型系统使用VQAs，对大型系统使用CNNs
研究人员探索了使用变分量子算法（VQAs）和经典卷积神经网络（CNNs）在多量子比特量子系统中进行熵估计。对于较小的系统（最多三个量子比特），VQAs表明精度主要取决于可训练参数的数量。对于较大的系统（两个到五个量子比特），在测量结果上训练的CNN在准确性和稳定性方面表现出预测能力，并且随着系统尺寸的增加，性能有所提高。对于四到五量子比特系统的准确预测，CNN方法被证明对噪声具有鲁棒性，并且比完整的状态层析成像需要更少的测量。
-
AI扩散模型成功采样SU(N)晶格规范理论
研究人员开发了一种能够采样SU(N)晶格规范理论的扩散模型，这是计算物理学的一项重大进展。该隐式分数匹配框架已成功应用于二维和四维的SU(3)规范构型，生成的样本可与混合蒙特卡洛模拟相媲美。研究强调了使用预测-校正方案进行精确积分的必要性，并引入了一种汉密尔顿分子动力学校正器，该校正器以增加计算成本为代价提高了采样质量。