[論文レビュー] Statistical Global Modeling of Beta-Decay Halflives Systematics Using Multilayer Feedforward Neural Networks and Support Vector Machines

N. J. Costiris, E. Mavrommatis+3 more|ArXiv.org|Sep 2, 2008

Nuclear physics research studies参考文献 1被引用数 8

ひとこと要約

本稿では、多層フィードフォワードニューラルネットワーク（ANNs）およびサポートベクターマシン（SVMs）を用いた機械学習的手法を提案し、核図表全体にわたるベータマイナス崩壊半減期をモデル化する。両モデルとも、特に生成的およびrプロセス核において、従来の核モデルと同等またはそれ以上の予測性能を示しており、全Z/NパリティクラスにおけるテストセットのRMSE値は0.51未満である。

ABSTRACT

In this work, the beta-decay halflives problem is dealt as a nonlinear optimization problem, which is resolved in the statistical framework of Machine Learning (LM). Continuing past similar approaches, we have constructed sophisticated Artificial Neural Networks (ANNs) and Support Vector Regression Machines (SVMs) for each class with even-odd character in Z and N to global model the systematics of nuclei that decay 100% by the beta-minus-mode in their ground states. The arising large-scale lifetime calculations generated by both types of machines are discussed and compared with each other, with the available experimental data, with previous results obtained with neural networks, as well as with estimates coming from traditional global nuclear models. Particular attention is paid on the estimates for exotic and halo nuclei and we focus to those nuclides that are involved in the r-process nucleosynthesis. It is found that statistical models based on LM can at least match or even surpass the predictive performance of the best conventional models of beta-decay systematics and can complement the latter.

研究の動機と目的

• 機械学習を用いて、従来の核モデルの限界を補完する、β⁻崩壊半減期のグローバル統計的モデルを構築すること。
• 実験データおよび確立された理論的モデルと比較して、ANNとSVMの予測性能を評価すること。
• 中性子過剰で生成的、およびrプロセス核の精度を評価し、それらが天体物理学的核合成において重要であることを確認すること。
• 機械学習がZおよびNの量子数のみに依存して、β⁻崩壊半減期の背後にある系統的傾向を捉えられるかどうかを調査すること。
• 核崩壊系統的傾向の文脈において、ANNとSVMの一般化および外挿能力を比較すること。

提案手法

• ZおよびNを入力特徴量として用い、Z/Nパリティクラス（偶-偶、偶-奇、奇-偶、奇-奇）の4つに分けて、個別にANNとSVMを学習した。
• 過学習を防ぐために、訓練・検証・テストの3つのセットを用いた統計的学習フレームワークを採用し、モデルパラメータを最適化した。
• 多層フィードフォワードニューラルネットワークを用い、(Z, N)からβ⁻崩壊半減期への非線形写像を実現した。
• カーネル法を用いたサポートベクターレグレッションを適用し、高次元特徴空間における非線形回帰を実行した。
• さまざまな半減期カットオフにおけるモデル性能を評価するために、平均二乗誤差（RMSE）および品質指標（M、σM、Σ）を計算した。
• 標準化された指標を用いて、実験データ、FRDM+pn-QRPA、およびpn-QRPA+ffGTモデル（文献からのもの）と比較した。

実験結果

リサーチクエスチョン

• RQ1 ANNおよびSVMに基づく機械学習モデルは、β⁻崩壊半減期について、従来のグローバル核モデルと同等またはそれ以上の予測精度を達成できるか？
• RQ2 生成的および中性子過剰核、特に安定性から遠く離れた核において、ANNとSVMの半減期外挿性能はいかがなっているか？
• RQ3 核図表全体にわたるβ⁻崩壊系統的傾向の内挿および外挿において、ANNとSVMの相対的優位性は何か？
• RQ4 ZおよびNの量子数のみが、これらの学習マシンが捉えたβ⁻崩壊半減期の系統的傾向を決定づける程度はどの程度か？
• RQ5 特に半減期が10^6秒未満の核において、モデルの性能はいかがなっているか？

主な発見

• ANNとSVMモデルは、全Z/Nパリティクラスにおいて、それぞれテストセットのRMSEが0.51および0.53を示し、高い予測精度を示した。
• 半減期が10^6秒未満の場合、ANNモデルは平均誤差（M）が0.00、標準偏差（σM）が0.45を達成し、FRDM+pn-QRPAモデル（M = 0.34、σM = 1.28）を上回った。
• SVMモデルは検証セットでわずかに優れた一般化性能を示したが、サポートベクタに依存するため、ANNに比べて外挿性能が劣った。
• 両モデルとも、rプロセス核の半減期予測において、最良の従来モデル（例：pn-QRPA+ffGT）と同等またはそれを上回る性能を示した。
• 実験データが乏しい1秒未満の半減期を示す生成的およびハロー核に対しても、両モデルは頑健な性能を示した。
• Z/Nパリティクラスごとにデータを分割することで性能が向上したが、同位体・同中性子体系列に不自然なフラクチュエーションが生じた。その結果、一貫性を高めるために統合されたANNモデルの使用が推奨された。