Buchumschlag

Enhancing nuclear cross-section predictions with deep learning: the DINo algorithm

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gesson, Levana, Henning, Greg, Collin, Jonathan, Vanstalle, Marie
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DeepCSNet: a deep learning method for predicting electron-impact doubly differential ionization cross sections
von: Wang, Yifan, et al.
Veröffentlicht: (2024)

Improved machine learning algorithm for predicting ground state properties
von: Lewis, Laura, et al.
Veröffentlicht: (2023)

A hybrid electromechanical phase-field and deep learning framework for predicting fracture in dielectric nanocomposites
von: Dean, Aamir, et al.
Veröffentlicht: (2025)

The cross-sectional stock return predictions via quantum neural network and tensor network
von: Kobayashi, Nozomu, et al.
Veröffentlicht: (2023)

Enhancing composition-based materials property prediction by cross-modal knowledge transfer
von: Rubtsov, Ivan, et al.
Veröffentlicht: (2025)

Calibration of a $Δ$E-E telescope based on CeBr$_3$ scintillator for secondary charged particles measurements in hadron therapy
von: Gesson, L., et al.
Veröffentlicht: (2025)

A deep-learning algorithm to disentangle self-interacting dark matter and AGN feedback models
von: Harvey, David
Veröffentlicht: (2024)

Accurate nuclear quantum statistics on machine-learned classical effective potentials
von: Zaporozhets, Iryna, et al.
Veröffentlicht: (2024)

Assessment of unsteady flow predictions using hybrid deep learning based reduced order models
von: Bukka, Sandeep Reddy, et al.
Veröffentlicht: (2020)

Autoregressive prediction of 2D MHD dynamics inferred from deep learning modeling
von: Kivarkis, David, et al.
Veröffentlicht: (2026)

Beacon, a lightweight deep reinforcement learning benchmark library for flow control
von: Viquerat, Jonathan, et al.
Veröffentlicht: (2024)

Rapid optimization in high dimensional space by deep kernel learning augmented genetic algorithms
von: Valleti, Mani, et al.
Veröffentlicht: (2024)

BzScope: an absolute cross section calculator for neutron-phonon scattering
von: Tang, Ming, et al.
Veröffentlicht: (2025)

High-energy neutrino deep inelastic scattering cross sections
von: Xie, Keping, et al.
Veröffentlicht: (2023)

Accurate and scalable exchange-correlation with deep learning
von: Luise, Giulia, et al.
Veröffentlicht: (2025)

DeepH-2: Enhancing deep-learning electronic structure via an equivariant local-coordinate transformer
von: Wang, Yuxiang, et al.
Veröffentlicht: (2024)

Fast approximate simulation of seismic waves with deep learning
von: Moseley, Benjamin, et al.
Veröffentlicht: (2018)

Generative deep learning for the inverse design of materials
von: Long, Teng, et al.
Veröffentlicht: (2024)

From large-eddy simulations to deep learning: A U-net model for fast urban canopy flow predictions
von: Vargiemezis, Themistoklis, et al.
Veröffentlicht: (2025)

Leveraging active learning-enhanced machine-learned interatomic potential for efficient infrared spectra prediction
von: Bhatia, Nitik, et al.
Veröffentlicht: (2025)

Accurate and scalable deep Maxwell solvers using multilevel iterative methods
von: Mao, Chenkai, et al.
Veröffentlicht: (2025)

Learning tensor networks with tensor cross interpolation: new algorithms and libraries
von: Fernández, Yuriel Núñez, et al.
Veröffentlicht: (2024)

Performance benchmarking of deep learning models for real‐time median nerve segmentation and cross‐sectional area measurement in ultrasound imaging
von: Vaddadi Venkatesh, et al.
Veröffentlicht: (2026)

Optimal schedules for annealing algorithms
von: Barzegar, Amin, et al.
Veröffentlicht: (2024)

Enhanced parallelization of the incremental 4D-Var data assimilation algorithm using the Randomized Incremental Optimal Technique (RIOT)
von: Bousserez, Nicolas, et al.
Veröffentlicht: (2019)

Approach to nuclear cross sections via classical Skyrmion scattering: A proposal
von: Manton, N. S.
Veröffentlicht: (2025)

Molecular Hessian matrices from a machine learning random forest regression algorithm
von: Domenichini, Giorgio, et al.
Veröffentlicht: (2023)

Finite-element dynamic-matrix approach for spin-wave dispersions in magnonic waveguides with arbitrary cross section
von: Körber, Lukas, et al.
Veröffentlicht: (2021)

SK-PINN: Accelerated physics-informed deep learning by smoothing kernel gradients
von: Pan, Cunliang, et al.
Veröffentlicht: (2024)

A newcomer's guide to deep learning for inverse design in nano-photonics
von: Khaireh-Walieh, Abdourahman, et al.
Veröffentlicht: (2023)

An improved penalty-based excited-state variational Monte Carlo approach with deep-learning ansatzes
von: Szabó, P. Bernát, et al.
Veröffentlicht: (2024)

Improving density matrix electronic structure method by deep learning
von: Tang, Zechen, et al.
Veröffentlicht: (2024)

Transfer learning-enhanced deep reinforcement learning for aerodynamic airfoil optimisation subject to structural constraints
von: Ramos, David, et al.
Veröffentlicht: (2025)

Electron-nucleus cross sections from transfer learning
von: Graczyk, Krzysztof M., et al.
Veröffentlicht: (2024)

Reinforcement learning framework for the mechanical design of microelectronic components under multiphysics constraints
von: Nair, Siddharth, et al.
Veröffentlicht: (2025)

Case study of a differentiable heterogeneous multiphysics solver for a nuclear fusion application
von: Coughlin, Jack B., et al.
Veröffentlicht: (2025)

Fast generation of calculated ADF-EDX scattering cross-sections under channelling conditions
von: Zhang, Zezhong, et al.
Veröffentlicht: (2022)

EXFOR utility codes (ForEXy) and their application to neutron fission cross section evaluation
von: Otuka, Naohiko, et al.
Veröffentlicht: (2025)

Neural network ensemble for computing cross sections for rotational transitions in H$_{2}$O + H$_{2}$O collisions
von: Mandal, Bikramaditya, et al.
Veröffentlicht: (2025)

Assessing the accuracy of the GENIE event generator with electron scattering data: Reduced cross section and nuclear transparency
von: Butkevich, A. V., et al.
Veröffentlicht: (2025)