[논문 리뷰] A Global Model of $\\beta^-$-Decay Half-Lives Using Neural Networks

N. J. Costiris, E. Mavrommatis외 2명|arXiv (Cornell University)|2007. 01. 31.

Nuclear physics research studies참고 문헌 1인용 수 5

한 줄 요약

이 논문은 레벤버그-마르카르트 및 베이지안 정규화를 사용해 훈련한 완전 연결 다층 피드포워드 아키텍처를 사용하여 $\beta^{-}$ 모드로 100% 붕괴하는 핵의 $\beta^{-}$ 붕괴 반감기를 예측하기 위한 글로벌 인공신경망(ANN) 모델을 제시한다. 이 모델은 기존의 최고 수준의 핵이론 모델과 비교해 유사한 예측 정확도를 달성하며, 특히 안정성에서 멀리 떨어진 영역의 기존 데이터를 보간하고 중성자 빈도가 높은 r-과정 핵으로의 외삽에서 뛰어난 성능을 보인다.

ABSTRACT

Statistical modeling of nuclear data using artificial neural networks (ANNs) and, more recently, support vector machines (SVMs), is providing novel approaches to systematics that are complementary to phenomenological and semi-microscopic theories. We present a global model of $\\beta^-$-decay halflives of the class of nuclei that decay 100% by $\\beta^-$ mode in their ground states. A fully-connected multilayered feed forward network has been trained using the Levenberg-Marquardt algorithm, Bayesian regularization, and cross-validation. The halflife estimates generated by the model are discussed and compared with the available experimental data, with previous results obtained with neural networks, and with estimates coming from traditional global nuclear models. Predictions of the new neural-network model are given for nuclei far from stability, with particular attention to those involved in r-process nucleosynthesis. This study demonstrates that in the framework of the $\\beta^-$-decay problem considered here, global models based on ANNs can at least match the predictive performance of the best conventional global models rooted in nuclear theory. Accordingly, such statistical models can provide a valuable tool for further mapping of the nuclidic chart.

연구 동기 및 목표

• 안정성에서 멀리 떨어진 영역에서 특히 $\beta^{-}$ 모드로만 붕괴하는 핵의 $\beta^{-}$ 붕괴 반감기를 위한 글로벌 통계 모델을 개발하는 것.
• 중성자 빈도가 높고 불안정한 핵의 반감기를 예측할 때 종종 오차가 커서 최대 한 계단 차이가 나는 기존 핵이론 모델의 한계를 해결하는 것.
• 인공신경망(ANN)이 $\beta^{-}$ 붕괴 시스템틱스를 모델링하는 현상론적 및 미세한 핵이론 모델에 대한 보완적 접근 수단으로서의 성능을 평가하는 것.
• 특히 r-과정 핵합성에 관여하는 핵에 대해 모델의 일반화 및 외삽 능력을 평가하는 것.
• 실험적으로 측정되지 않은 뉴클리드에 대해 신뢰할 수 있는 반감기 추정치를 제공하여 실험 프로그램과 이론적 핵구조 연구를 지원하는 것.

제안 방법

• 완전 연결 다층 피드포워드 신경망 아키텍처 [3-5-5-5-5-1|116]를 사용하며, 은닉층에서는 하이퍼볼릭 tangent 시그모이드 함수를, 출력층에서는 포화 선형 함수를 사용한다.
• 입력층은 원자번호 $Z$, 중성자 수 $N$, 그리고 페어링 상수 $\delta$를 인코딩한다 (짝-짝 핵은 +1, 홀수 질량 핵은 0, 홀수-홀수 핵은 -1로 정의됨).
• 일반화를 최적화하고 과적합을 방지하기 위해 레벤버그-마르카르트 알고리즘과 베이지안 정규화, 10중 교차검증을 사용해 네트워크를 훈련시킨다.
• 출력은 반감기의 밑이 10인 로그값인 $\log T_{1/2}$로, 단위는 초이다.
• 성능 평가에는 $\langle x\rangle_K$ 및 $\sigma_K$ 지표를 사용하며, 실험값과의 요율이 요율 요인 $f$ 이내에 포함되는 예측 비율을 평가하기 위해 허용 오차 요인 $f$를 도입한다.
• 예측 세트로 116개의 뉴클리드를 사용하여 테스트하고, NBSC+ pn QRPA 및 pn QRPA+ff GT와 같은 기존 모델과 비교한다.

실험 결과

연구 질문

• RQ1 글로벌 인공신경망 모델이 $\beta^{-}$ 붕괴 반감기를 예측할 때, 최고 수준의 기존 핵이론 모델과 유사한 정확도를 달성할 수 있는가?
• RQ2 훈련 세트에 포함되지 않은 핵, 특히 안정성에서 멀리 떨어진 영역의 핵에 대해 ANN 모델의 일반화 능력은 어느 정도인가?
• RQ3 r-과정 핵합성과 관련된 중성자 빈도가 높은 이ソ토프에 대해 모델의 외삽 능력은 어느 정도인가?
• RQ4 정확도와 일관성 측면에서 NBSC+ pn QRPA 및 pn QRPA+ff GT와 같은 기존 모델과 비교해 모델의 성능은 어떻게 되는가?
• RQ5 모델은 페어링 효과로 인한 반감기의 물결무늬 행동(톱니형 행동)과 같은 알려진 핵시스템틱스를 재현하는가?

주요 결과

• 모델은 실험값과 요율이 10배 이내에 포함되는 반감기 예측 정확도가 98.0%이며, 예측 세트에서 $\langle x\rangle_K = 2.24$, $\sigma_K = 1.30$을 기록한다.
• 실험값과 요율이 5배 이내에 포함되는 경우, 정확도는 94.0%이며 $\langle x\rangle_K = 2.04$, $\sigma_K = 0.89$로, 보간 영역에서 뛰어난 성능을 보인다.
• 모델의 성능은 NBSC+ pn QRPA 모델과 유사하거나 약간 더 뛰어난 정확도를 보이며, 특히 가장 도전적인 케이스에서 유사하거나 약간 더 좋은 성능을 기록한다.
• 모델은 r-과정의 이중 마그니터널 핵인 $^{78}\text{Ni}$의 반감기를 실험 불확도 범위 내에서 정확히 예측하여, 중요한 천체물리학적 사례에서의 신뢰성을 입증한다.
• 모델은 이소토프 및 이소토닉 사슬을 따라 반감기의 물결무늬 유사 행동을 보이며, 이는 페어링 효과를 반영하지만, 실험 트렌드에 비해 略로 과대평가될 수 있다.
• 일반화 능력이 뛰어나, 높은 $m$ 값(허용 오차 내 예측 비율)과 낮은 $\sigma_K$로 나타나, 테스트된 뉴클리드 전반에 걸쳐 일관되고 정밀한 추정치를 제공한다.