[论文解读] 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 6

一句话总结

本论文提出一种前馈人工神经网络（ANN），用于从较小基矢空间（$N_{\text{max}} \leq 10$）的从头算无核壳模型（NCSM）结果中预测$^6$Li的基态能量和点质子均方根（rms）半径。该ANN通过贝叶斯正则化在NCSM数据上进行训练，成功实现对无限基矢空间极限的高精度外推，优于传统外推方法，能量预测结果与最佳上限值相差仅85 keV，半径预测结果与高$N_{\text{max}}$下的趋势一致。

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.

研究动机与目标

• 开发一种数据驱动方法，将从头算核结构计算外推至无限基矢空间极限，该极限下直接计算不可行。
• 解决轻核（如$^6$Li）在无核壳模型（NCSM）计算中收敛缓慢且计算成本高的挑战。
• 检验人工神经网络是否能在不依赖显式解析形式的情况下，对基矢空间参数（$\hbar\Omega$，$N_{\text{max}}$）与核可观测量之间的复杂非线性依赖关系进行建模。
• 将ANN预测结果与Extrap B方法（能量）和交叉点法（rms半径）等既定外推技术进行比较，评估其收敛性和准确性。
• 通过在$N_{\text{max}} = 12, 14, 16, 18$的NCSM结果上进行测试，验证方法的准确性和泛化能力。

提出的方法

• 为每个可观测量（能量和rms半径）设计了一个包含三层的前馈人工神经网络（ANN）——两个输入神经元（$\hbar\Omega$，$N_{\text{max}}$），八个隐藏神经元，一个输出神经元。
• 使用贝叶斯正则化在$N_{\text{max}} \leq 10$的NCSM数据上进行训练，其中85%的数据用于训练，15%用于测试，无需单独的验证集。
• 训练过程利用ANN的通用逼近能力，对基矢空间参数与核可观测量之间的非线性关系进行建模，无需假设函数形式。
• 通过均方误差（MSE）评估性能，较低的MSE值表明模型在未见数据上具有强泛化能力和预测能力。
• 在包含$N_{\text{max}} = 12, 14, 16, 18$的测试集上对方法进行验证，证明其在训练范围之外仍具鲁棒性。
• 将ANN预测结果与Extrap B方法（能量）和交叉点法（rms半径）进行比较，以评估收敛性和准确性。

实验结果

研究问题

• RQ1 前馈人工神经网络能否在不依赖显式解析模型的情况下，仅从较小基矢空间的NCSM结果中准确预测$^6$Li的基态能量？
• RQ2 该ANN在训练范围之外的较大$N_{\text{max}}$值（特别是$N_{\text{max}} = 12, 14, 16, 18$）上泛化能力如何？
• RQ3 ANN对基态点质子rms半径的预测是否与高$N_{\text{max}}$ NCSM计算中观察到的趋势以及既定估算方法一致？
• RQ4 与传统外推技术（如Extrap B和交叉点法）相比，ANN的性能在定量上如何？
• RQ5 在矩阵大小趋于无穷的极限下，该ANN在多大程度上满足基矢空间独立性的理论条件？

主要发现

• ANN预测的$^6$Li基态能量为-32.024 MeV，比$N_{\text{max}} = 18$时的最佳可用上限值低85 keV，表明其具有高精度和良好收敛性。
• ANN预测的基态点质子rms半径为2.49 fm，略高于交叉点法估计的2.40 fm，但与高$N_{\text{max}}$ NCSM数据的趋势一致。
• 能量和半径在测试集上的均方误差（MSE）分别为0.0072和$9.24 \times 10^{-7}$，表明模型具有强泛化能力且预测误差极低。
• ANN结果与$N_{\text{max}} = 12, 14, 16, 18$的NCSM计算结果高度一致，证实了该模型在训练范围之外的可靠性。
• 该方法成功实现了在无限矩阵极限下的基矢空间独立性，满足了从头算核结构计算中收敛性的关键理论条件。
• 与传统外推方法相比，ANN方法在精度和稳定性方面表现更优，尤其在rms半径方面，因无标准外推方法而更具优势。