[論文レビュー] Deep Learning: A Tool for Computational Nuclear Physics

Gianina Alina Negoita, Glenn R. Luecke+7 more|arXiv (Cornell University)|Mar 8, 2018

Nuclear physics research studies被引用数 6

ひとこと要約

本稿では、小規模な基底空間（$N_{\text{max}} \leq 10$）におけるab initio No-Core Shell Model（NCSM）結果から、$^6$Liの基底状態エネルギーおよび点状プロトンの平均二乗（rms）半径を予測するフィードフォワード型人工ニューラルネットワーク（ANN）を提案する。トレーニングにベイズ正則化を用いたANNは、高い精度で無限大基底空間極限への外挿を成功裏に実行し、従来の外挿手法を上回り、エネルギーに関しては最高の上限値から85 keV以内の予測を達成し、半径に関しては高$N_{\text{max}}$での傾向と整合的である。

ABSTRACT

In recent years, several successful applications of the Artificial Neural Networks (ANNs) have emerged in nuclear physics and high-energy physics, as well as in biology, chemistry, meteorology, and other fields of science. A major goal of nuclear theory is to predict nuclear structure and nuclear reactions from the underlying theory of the strong interactions, Quantum Chromodynamics (QCD). With access to powerful High Performance Computing (HPC) systems, several ab initio approaches, such as the No-Core Shell Model (NCSM), have been developed to calculate the properties of atomic nuclei. However, to accurately solve for the properties of atomic nuclei, one faces immense theoretical and computational challenges. The present study proposes a feed-forward ANN method for predicting the properties of atomic nuclei like ground state energy and ground state point proton root-mean-square (rms) radius based on NCSM results in computationally accessible basis spaces. The designed ANNs are sufficient to produce results for these two very different observables in 6Li from the ab initio NCSM results in small basis spaces that satisfy the theoretical physics condition: independence of basis space parameters in the limit of extremely large matrices. We also provide comparisons of the results from ANNs with established methods of estimating the results in the infinite matrix limit.

研究の動機と目的

• 無限大基底空間極限への直接計算が不可能な状況において、ab initio核構造計算をデータ駆動型手法で外挿する方法の開発。
• Liのような軽い核において、No-Core Shell Model（NCSM）計算の収束が遅く、計算コストが高くなるという課題に対処すること。
• 人工ニューラルネットワークが、解析的関数形を仮定することなく、基底空間パラメータ（$\hbar\Omega$, $N_{\text{max}}$）と核観測量との間の複雑な非線形関係をモデル化できるかどうかを検証すること。
• エネルギーとrms半径の両方について、Extrap B法やクロスオーバーポイント法といった既存の外挿手法とANNの予測を比較すること。
• $N_{\text{max}} = 12, 14, 16, 18$におけるNCSM結果を用いて、精度と一般化能力を検証すること。

提案手法

• エネルギーとrms半径の各観測量ごとに、3層構造（入力層：2ノード（$\hbar\Omega$, $N_{\text{max}}$）、隠れ層：8ノード、出力層：1ノード）のフィードフォワード型人工ニューラルネットワーク（ANN）を設計した。
• トレーニングには、$N_{\text{max}} \leq 10$のNCSMデータを用い、85%をトレーニング、15%をテストに割り当て、別途バリデーションセットを必要としないベイズ正則化を採用した。
• トレーニングプロセスでは、関数形を仮定しない非線形関係をモデル化できるANNの普遍近似能力を活用した。
• 性能評価には平均二乗誤差（MSE）を用い、低値であるほど未学習データに対する一般化能力と予測能力が優れていることを示した。
• テストセットとして$N_{\text{max}} = 12, 14, 16, 18$におけるNCSM結果を用い、トレーニング範囲を超えた堅牢性を確認した。
• ANNの予測結果は、エネルギーに関してはExtrap B法、rms半径に関してはクロスオーバーポイント法と比較し、収束性と精度を評価した。

実験結果

リサーチクエスチョン

• RQ1 フィードフォワード型人工ニューラルネットワークは、明示的な解析的関数形を必要とせずに、小規模基底空間におけるNCSM結果から$^6$Liの基底状態エネルギーを高精度に予測できるか？
• RQ2 ANNは、トレーニング範囲を超える大きな$N_{\text{max}}$値（特に$N_{\text{max}} = 12, 14, 16, 18$）に対しても、どれほど一般化できるか？
• RQ3 ANNによる基底状態点状プロトンrms半径の予測値は、高$N_{\text{max}}$におけるNCSM計算の傾向と整合的か？
• RQ4 ANNの性能は、Extrap B法やクロスオーバーポイント法といった従来の外挿手法と定量的に比較して、どのように差がつくか？
• RQ5 ANNは、行列サイズが無限大に近づく極限において、理論的条件である基底空間独立性をどの程度満たしているか？

主な発見

• ANNは$^6$Liの基底状態エネルギーを-32.024 MeVと予測したが、これは$N_{\text{max}} = 18$における最高の上限値から85 keV未満であり、高い精度と収束性を示している。
• ANNによる基底状態点状プロトンrms半径の予測値は2.49 fmであり、クロスオーバーポイント法の推定値2.40 fmよりもわずかに大きいが、高$N_{\text{max}}$におけるNCSMデータの傾向と整合的である。
• エネルギーと半径の両方について、テストセットにおける平均二乗誤差（MSE）はそれぞれ0.0072および$9.24 \times 10^{-7}$であり、良好な一般化能力と低い予測誤差を示している。
• ANNの結果は、$N_{\text{max}} = 12, 14, 16, 18$におけるNCSM計算と優れた一貫性を示しており、トレーニング範囲を超えた信頼性を確認した。
• 本手法は、無限大行列極限において基底空間独立性を達成し、ab initio核構造計算における収束のための重要な理論的条件を満たした。
• 特にrms半径に関しては標準的な外挿手法が存在しないため、ANNアプローチは精度と安定性の面で従来の外挿手法を上回った。