1. Αρχική σελίδα
  2. Αναζήτηση

Statistical modeling with neural nets: nuclear masses and halflives

Το τεκμήριο παρέχεται από τον φορέα :
Hellenic Nuclear Physics Society   

Αποθετήριο :
Annual Symposium of the Hellenic Nuclear Physics Society  | ΕΚΤ eProceedings   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Statistical modeling with neural nets: nuclear masses and halflives (EN)
Gernoth, K. A.
Clark, J. W.
Athanassopoulos, S.
Mavrommatis, E.
Dakos, A.
info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
2020-02-11
Multilayer feedforward neural networks are used to create global models of atomic masses and lifetimes of nuclear states, with the goal of effective prediction of the properties of nuclides outside the region of stability. Innovations in coding and training schemes are used to improve the extrapolation capability of models of the mass table. Studies of nuclear lifetimes have focused on ground states that decay 100% via the β- mode. Results are described which demonstrate that in predictive acuity, statistical approaches to global modeling based on neural networks are potentially competitive with the best phenomenological models based on the traditional methods of theoretical physics. (EN)
Annual Symposium of the Hellenic Nuclear Physics Society
Αγγλική γλώσσα
Hellenic Nuclear Physics Society (HNPS) (EN)
2654-0088
2654-007X
Annual Symposium of the Hellenic Nuclear Physics Society; Τόμ. 9 (1998): HNPS1998; 266-278 (EL)
HNPS Advances in Nuclear Physics; Vol. 9 (1998): HNPS1998; 266-278 (EN)
Πνευματική ιδιοκτησία (c) 2020 E. Mavrommatis, S. Athanassopoulos, A. Dakos, K. A. Gernoth, J. W. Clark (EL)
Hellenic Nuclear Physics Society
Annual Symposium of the Hellenic Nuclear Physics Society
Oral contributions



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.