智能AI
morning
学习用全卷积神经网络解决中子共振
摘要
arXiv:2608.04027v1 Announce Type: new Abstract: This work investigates the feasibility of augmenting traditional R-Matrix codes with a robust machine learning framework for automatically detecting neu...
the
and
transmission
data
neutron
prior
model
This
work
traditional
2026-08-06
1 阅读
约1分钟阅读
Nataly R. Panczyk, Athanasios Stamatopoulos, Josef Svoboda, Majdi I. Radaideh
字号:
arXiv:2608.04027v1 公告类型：新 摘要：这项工作研究了通过强大的机器学习框架增强传统 R 矩阵代码的可行性，以自动检测透射谱中的中子共振。中子传输数据通常复杂且嘈杂，因此很难使用传统的峰值识别方法进行分析。物理学家目前用来拟合这些数据的最先进的 R 矩阵代码通常依赖于先前的评估，并且需要大量的手动工作。这项初步研究展示了一种加速中子传输数据的实验后处理并减少与先前评估相关的偏差的方法。我们采用全卷积神经网络将七个传输光谱中的各个点分类为属于共振或非共振区域——两个是评估的，五个是实验的。尽管该模型实现了 93% 的分类准确率，但进一步分析表明该指标夸大了其泛化能力。基于我们之前在 PHYSOR 2026 中的分析，我们发现，尽管包含了额外的训练数据，但该方法并不能可靠地推广到以前未见过的同位素。为了解决这些限制，未来的工作应该评估更大、更多样化的训练数据集是否可以产生可推广的模型，并且应该结合中子共振的已知物理特征来提高模型性能。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱