prikaz prve stranice dokumenta Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara
  Preuzmi
PDF 2.11 MB
diplomski rad
Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. urn:nbn:hr:217:519531
Šura, Krešimir
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Fizički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Šura, K. (2023). Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:519531

Šura, Krešimir. "Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:217:519531

Šura, Krešimir. "Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:217:519531

Šura, K. (2023). 'Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 10.05.2024., https://urn.nsk.hr/urn:nbn:hr:217:519531

Šura K. Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2023 [pristupljeno 10.05.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:519531

K. Šura, "Primjena neuronskih mreža u modeliranju svojstava atomskih jezgara", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:519531

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:519531
Podaci o radu
NaslovPrimjena neuronskih mreža u modeliranju svojstava atomskih jezgara
Naslov (engleski)Application of neural networks in modelling the properties of atomic nuclei
AutorKrešimir Šura
MentorNils Paar (mentor)
Član povjerenstvaNils Paar (predsjednik povjerenstva)
Član povjerenstvaTamara Nikšić (član povjerenstva)
Član povjerenstvaNikola Poljak (član povjerenstva)
Član povjerenstvaMatko Milin (član povjerenstva)
Član povjerenstvaKrešimir Kumerički (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Fizički odsjek)
Zagreb
Datum i država obrane2023-09-28, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Fizika
Sažetak
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.
Sažetak (engleski)
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 mo deling 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 no vel approach to modelling binding energies has been investigated: machine learning using neural networks utilizing experimental data from the AME2020 mass evalu ation. Predictive power of machine learning models has been compared with experi ment, 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 sur passing traditional nuclear physics models.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:519531
Studijski programNaziv: Fizika; smjerovi: Istraživački
Smjer: Istraživački
Vrsta studija: sveučilišni
Stupanj studija: integrirani prijediplomski i diplomski
Akademski / stručni naziv: sveučilišni magistar fizike (univ. mag. phys.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2023-11-29 09:49:52