核质量预测换掉门控循环单元的候选状态:复数乘积单元让质量插值误差降到0.2698 MeV
核心概要
核质量与电荷半径的机器学习预测通常把相邻核素当作普通序列输入门控循环网络。AM-PU-GRU把可学习的乘积单元映射嵌入GRU候选状态,并在复数域同时保留幅度与相位,在三个数据划分、每个划分三个训练种子上取得0.2698 MeV的质量插值平均RMSE和0.1905 MeV的时间外推平均RMSE。不含质量输入时,MI-PU-GRU预测电荷半径的RMSE为0.019947 fm,比固定WS∗先验低14.40%。
深度剖析
门控循环单元的候选状态不再只做仿射变换,而是加入可学习的乘积映射,使相邻核素之间的乘性依赖可以被训练。 此前的循环网络质量预测使用标准GRU、RNN或LSTM结构,每个核素输入十一个特征,候选状态按常规门控方式计算。 在三个数据划分、每个划分三个训练种子共九次运行下,复数AM-PU-GRU的质量插值平均RMSE为0.2698 MeV,时间外推平均RMSE为0.1905 MeV,在表1和表3所列模型中最低。
做法是把每个输入抬到可学习指数再连乘,并把这一乘积路径放进复数域,让幅度缩放和相位旋转一起参与候选状态。 乘积单元此前多用于前馈网络,复数版本也主要用于前馈结构;这里把它接入循环单元的候选计算,并保留标准更新门对状态的混合。 质量任务用四个最近测量邻核加目标核的WS4先验组成五位置序列;电荷半径任务改用四个测量邻核半径加WS∗目标估计,输入不含任何质量特征。
电荷半径上的收益取决于乘积映射接在哪条候选路径上,而不是乘积单元本身一律有效。 与固定WS∗先验相比,MI-PU-GRU把半径RMSE降低14.40%;但在架构匹配的替换对照中,MI路径换成Tanh后RMSE反而低0.21%。 AM路径的乘积映射相对Tanh降低9.98%、相对SiLU降低7.07%,五对种子全部改善;MI相对SiLU降低1.28%,五对全部改善,而MI相对Tanh的区间跨零。
启示与展望
评估限定在AME2020质量标签与2013年实验电荷半径上,质量任务分随机70/15/15插值和时间外推两种设定,半径任务为70/15/15留出划分并使用固定四参数WS∗先验。读者对象是关心核性质机器学习预测的研究者;文中提出的后续方向是把复数乘积单元循环网络扩展到其他核观测量和更广的外推场景。
半径上MI相对两个GRU基线和MLP的配对增益区间包含零;去掉24Ne、32Ar、246Cm三个最有利核素后,MI与真实GRU的排序反转,而152Tb、151Tb、149Tb三个核素占MI总平方误差的44.6%。作者也指出不同数据划分会改变误差与模型排名。
