prikaz prve stranice dokumenta Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara
  Download
PDF 2.11 MB
master's thesis
Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara
Zagreb: University of Zagreb, Faculty of Science, 2023. urn:nbn:hr:217:519531
Šura, Krešimir
University of Zagreb
Faculty of Science
Department of Physics

Institutional repository: Repository of the Faculty of Science

Cite this document

Šura, K. (2023). Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara (Master's thesis). Zagreb: University of Zagreb, Faculty of Science. Retrieved from https://urn.nsk.hr/urn:nbn:hr:217:519531

Šura, Krešimir. "Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara." Master's thesis, University of Zagreb, Faculty of Science, 2023. https://urn.nsk.hr/urn:nbn:hr:217:519531

Šura, Krešimir. "Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara." Master's thesis, University of Zagreb, Faculty of Science, 2023. https://urn.nsk.hr/urn:nbn:hr:217:519531

Šura, K. (2023). 'Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara', Master's thesis, University of Zagreb, Faculty of Science, accessed 27 November 2024, https://urn.nsk.hr/urn:nbn:hr:217:519531

Šura K. Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara [Master's thesis]. Zagreb: University of Zagreb, Faculty of Science; 2023 [cited 2024 November 27] Available at: https://urn.nsk.hr/urn:nbn:hr:217:519531

K. Šura, "Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara", Master's thesis, University of Zagreb, Faculty of Science, Zagreb, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:217:519531

Metadata
TitlePrimjena neuronskih mreža u modeliranju svojstava atomskih jezgara
Title (english)Application of neural networks in modelling the properties of atomic nuclei
AuthorKrešimir Šura
MentorNils Paar (mentor)
Committee memberNils Paar (predsjednik povjerenstva)
Committee memberTamara Nikšić (član povjerenstva)
Committee memberNikola Poljak (član povjerenstva)
Committee memberMatko Milin (član povjerenstva)
Committee memberKrešimir Kumerički (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Science
(Department of Physics)
Zagreb
Defense date and country2023-09-28, Croatia
Scientific / art field,
discipline and subdiscipline		NATURAL SCIENCES
Physics
Abstract
Energija vezanja temeljno je svojstvo atomske jezgre. Može se mjeriti eksperimentalno, ali ne za sve jezgre koje su potrebne za modeliranje nukleosinteze. Razvijeni su mnogi teorijski modeli koji opisuju energije vezanja kroz cijelu mapu nuklida, a najbolji medu njima postižu srednje kvadratno odstupanje RMS od eksperimentalnih vrijednosti od oko 500 keV-a. U ovome radu proučen je pristup određivanja energije vezanja atomskih jezgara pomoću strojno naučenih neuronskih mreža koristeći eksperimentalne podatke iz baze nuklearnih podataka AME2020. Prediktivna moć strojno naučenih modela uspoređena je s eksperimentalnim podacima, kao i s drugim metodama određivanja energija vezanja. Ključni korak razvoja neuronskih mreža za primjenu u nuklearnim istraživanjima je odabir značajki modela, kojima unosimo relevantne fizikalne informacije u proces strojnog učenja. Neuronska mreža s deset odabranih značajki postigla je RMS = 248 keV. Ovakav rezultat bolji je od tradicionalnih modela nuklearne fizike.
Abstract (english)
Binding energy of an atomic nucleus is one of its fundamental properties. It can be measured in experiment, however not for all nuclei necessary in nucleosynthesis modeling applications. Many theoretical models that calculate binding energies for all nuclei have been developed, the best of which describe binding energies with a root mean square RMS deviation from experimental data of 500 keV. In this work a novel approach to modelling binding energies has been investigated: machine learning using neural networks utilizing experimental data from the AME2020 mass evaluation. Predictive power of machine learning models has been compared with experiment, as well as other nuclear models. Crucial step of developing neural networks for use in nuclear physics has been feature engineering, a way to introduce and encode physically important information in the process of machine learning. Best performing neural network had ten selected features, achieving an RMS = 248 keV, a result surpassing traditional nuclear physics models.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:217:519531
Study programmeTitle: The University Integrated Undergraduate and Graduate Programme in Physics; Research Physics; specializations in: Research Physics
Course: Research Physics
Study programme type: university
Study level: integrated undergraduate and graduate
Academic / professional title: sveučilišni magistar fizike (sveučilišni magistar fizike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2023-11-29 09:49:52