Learning Nuclear Structure with AI: Radii and Collectivity
本文通过开发基于NuCLR的多任务模型来研究原子核的电荷半径和电四极跃迁强度,以提供核结构的数据驱动基线,其性能优于单任务学习。
0 citationsRead paper
本文通过开发基于NuCLR的多任务模型来研究原子核的电荷半径和电四极跃迁强度,以提供核结构的数据驱动基线,其性能优于单任务学习。
为解决实验室光学实验难以重新配置的问题,研究提出了一种可编程的云实验室架构PICO,通过统一的软件层来控制实验配置和操作。
本文提出一种基于Hessian的方法,利用自动微分技术数值求解动力系统中的周期轨道问题,并应用于双摆系统,有效检测到新的周期轨道。
本文通过物理神经计算方法重构了McCulloch-Pitts模型,探讨了神经网络实现逻辑表达及不变性问题,并利用现代数学工具分析了视网膜中的不变操作。
本文重构了Hopfield网络,作为记忆的物理理论,通过动态定义内容可寻址记忆、对称循环架构等方法解决了早期神经网络算法的问题。
本文通过开发基于NuCLR的多任务模型来研究原子核的电荷半径和电四极跃迁强度,以提供核结构的数据驱动基线,其性能优于单任务学习。
为解决实验室光学实验难以重新配置的问题,研究提出了一种可编程的云实验室架构PICO,通过统一的软件层来控制实验配置和操作。
本文提出一种基于Hessian的方法,利用自动微分技术数值求解动力系统中的周期轨道问题,并应用于双摆系统,有效检测到新的周期轨道。
本文通过物理神经计算方法重构了McCulloch-Pitts模型,探讨了神经网络实现逻辑表达及不变性问题,并利用现代数学工具分析了视网膜中的不变操作。
本文重构了Hopfield网络,作为记忆的物理理论,通过动态定义内容可寻址记忆、对称循环架构等方法解决了早期神经网络算法的问题。