سرب الجسيمات لتحسين المعلمات الفائقة ومعلمات الشبكة العصبية الاصطناعية للتنبؤ بطاقة الربط النووي لبعض نظائر الكتلة الفردية

الملخص

الشبكات العصبية الاصطناعية (ANNs) هي نماذج أساسية للتعلم الآلي تُستخدم على نطاق واسع في مختلف المجالات والتطبيقات. تعتمد هذه النماذج على متجه من المعلمات التي يجب تقديرها حسابيًا. في هذه الدراسة، تم تطوير شبكة عصبونية اصطناعية متعددة الطبقات متصلة بالكامل، وهي شبكة عصبية حديثة متعددة الطبقات ذات طبقتين للمدخلات وطبقتين مخفيتين (تحتوي كل منها على 10 خلايا عصبية)، لتقدير طاقة الارتباط في الحالة الأرضية للنظائر ذات الأعداد الكتلية الفردية التي تتراوح بين 17 و339، وتغطي 3414 نواة. وطُبقت الشبكة العصبية الاصطناعية على ثلاثة نماذج: النموذج النووي المتكامل، ونموذج القطرة السائلة، والصيغة التجريبية. وتم تقييم طاقات الارتباط المتوقعة للحالة الأرضية باستخدام متوسط الخطأ المربع (MSE) ومعامل الارتباط (R) والدقة. ولتحسين أداء الشبكة العصبية الاصطناعية على النحو الأمثل، تم تحسين المعلمات مثل عدد الطبقات المخفية ومعدلات التعلم باستخدام خوارزمية تحسين سرب الجسيمات (PSO). وقد أدى هذا التحسين إلى تقليل خطأ الشبكة العصبية الاصطناعية وتحقيق معدل MSE قدره 0.0099706 ودقة عالية بلغت 99.736% لنموذج LDM. وأظهر معامل الارتباط R ارتباطًا قويًا بين الهدف وقيم المخرجات، مما يؤكد دقة النماذج ومتانتها. كما أدى تحسين خوارزمية PSO إلى تقليل الأخطاء وتحسين النتائج، مما يؤكد صحة الاختلافات في طاقة الارتباط بين النماذج الثلاثة والشبكة العصبية الاصطناعية. يؤكد هذا النهج فعالية الشبكات العصبية الاصطناعية في نمذجة الظواهر الفيزيائية المعقدة بدقة عالية.