[논문 리뷰] Deep Learning: A Tool for Computational Nuclear Physics

Gianina Alina Negoita, Glenn R. Luecke외 7명|arXiv (Cornell University)|2018. 03. 08.

Nuclear physics research studies인용 수 6

한 줄 요약

이 논문은 작은 기저 공간($N_{\text{max}} \leq 10$)에서의 첫 번째 원리적 No-Core Shell Model(NCSM) 결과로부터 $^6$Li의 기저 상태 에너지와 점 입자 전류 제곱근 평균 제곱근(rms) 반경을 예측하기 위해 피드포워드 인공신경망(ANN)을 제안한다. Bayesian 정규화를 사용하여 NCSM 데이터로 훈련된 ANN은 높은 정확도로 무한 기저 공간 근사에 성공적으로 외삽하며, 전통적인 외삽 방법을 능가하고 에너지의 경우 최고의 상한값보다 85 keV 이내로 예측하며 반경의 경우 고$N_{\text{max}}$에서의 추세와 일치한다.

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.

연구 동기 및 목표

• 직접 계산이 불가능한 무한 기저 공간 극한으로의 ab initio 핵구조 계산을 외삽하는 데이터 기반 방법을 개발하기 위해.
• $^6$Li와 같은 경핵에서의 No-Core Shell Model(NCSM) 계산의 느린 수렴성과 높은 계산 비용 문제를 해결하기 위해.
• 인공신경망(ANN)이 명시적인 해석적 형태 없이 기저 공간 매개변수($\hbar\Omega$, $N_{\text{max}}$)와 핵관측량 사이의 복잡한 비선형 관계를 모델링할 수 있는지 테스트하기 위해.
• 에너지와 rms 반경에 대해 ANN 예측을 Extrap B 및 교차점 방법과 같은 기존 외삽 기법과 비교하기 위해.
• 훈련 범위를 초월한 NCSM 결과($N_{\text{max}} = 12, 14, 16, 18$)를 사용하여 정확도와 일반화 능력을 검증하기 위해.

제안 방법

• 각 관측량(에너지 및 rms 반경)에 대해, 두 개의 입력 뉴런($\hbar\Omega$, $N_{\text{max}}$), 여덟 개의 은닉 뉴런, 하나의 출력 뉴런을 갖는 피드포워드 인공신경망(ANN)을 설계하였다.
• 훈련에는 $N_{\text{max}} \leq 10$의 NCSM 데이터를 Bayesian 정규화로 사용하였으며, 훈련에 85%의 데이터, 테스트에 15%의 데이터를 사용하여 별도의 검증 세트가 필요 없도록 하였다.
• 훈련 과정은 ANN의 일반 근사 능력을 활용하여 기저 공간 매개변수와 핵관측량 사이의 비선형 관계를 기능 형태를 가정하지 않고 모델링하였다.
• 예측 성능 평가에는 평균 제곱오차(MSE)를 사용하였으며, 낮은 값은 새로운 데이터에 대한 강한 일반화 및 예측 능력을 나타낸다.
• 훈련 범위를 초월한 테스트 세트를 활용하여 방법의 탄력성을 검증하였으며, 이는 $N_{\text{max}} = 12, 14, 16, 18$의 NCSM 결과 포함되었다.
• ANN 예측 결과는 에너지에 대해 Extrap B 방법, 반경에 대해 교차점 방법과 비교하여 수렴성과 정확도를 평가하였다.

실험 결과

연구 질문

• RQ1 피드포워드 인공신경망(ANN)은 명시적인 해석적 모델이 없이도 작은 기저 공간에서의 NCSM 결과로부터 $^6$Li의 기저 상태 에너지를 정확하게 예측할 수 있는가?
• RQ2 훈련 범위를 초월하는 더 큰 $N_{\text{max}}$ 값, 특히 $N_{\text{max}} = 12, 14, 16, 18$에서 ANN의 일반화 능력은 얼마나 우수한가?
• RQ3 ANN이 예측한 기저 상태 점 입자 전류 제곱근 평균 제곱근 반경은 고$N_{\text{max}}$ NCSM 계산에서 관측된 추세와 일치하는가?
• RQ4 ANN의 성능은 Extrap B 및 교차점 방법과 같은 전통적인 외삽 기법과 정량적으로 비교해 볼 때 어떻게 되는가?
• RQ5 ANN은 무한 행렬 크기 근처에서 기저 공간 독립성의 이론적 조건을 어느 정도 만족하는가?

주요 결과

• ANN은 $^6$Li의 기저 상태 에너지를 -32.024 MeV로 예측하였으며, 이는 $N_{\text{max}} = 18$에서의 최고 상한값보다 85 keV 이하로, 높은 정확도와 수렴성을 나타낸다.
• ANN은 기저 상태 점 입자 전류 제곱근 평균 제곱근 반경을 2.49 fm로 예측하였으며, 이는 교차점 추정치인 2.40 fm보다 略로 크지만 고$N_{\text{max}}$ NCSM 데이터의 추세와 일치한다.
• 에너지 및 반경에 대한 테스트 세트의 평균 제곱오차(MSE)는 각각 0.0072 및 $9.24 \times 10^{-7}$로, 강력한 일반화 능력과 낮은 예측 오차를 나타낸다.
• ANN 결과는 $N_{\text{max}} = 12, 14, 16, 18$에서의 NCSM 계산 결과와 뛰어난 일致성을 보이며, 훈련 범위를 초월한 모델의 신뢰성을 확인한다.
• 이 방법은 무한 행렬 극한에서 기저 공간 독립성을 성공적으로 달성하였으며, ab initio 핵구조 계산의 수렴성에 있어 핵심 이론 조건을 만족한다.
• 특히 rms 반경에 대해 표준 외삽 기법이 존재하지 않는 점을 감안할 때, ANN 접근법은 정확도와 안정성 면에서 전통적인 외삽 기법을 능가하였다.