Bridging Ab Initio Symmetries and Global Nuclear Masses with Interpretable Neural Networks

技術要約：アブイニティオ対称性とグローバル核質量を結ぶ解釈可能なニューラルネットワーク

問題提起
ab initio（第一原理）核理論は、軽核および中間質量核においてウィグナーのSU(4)対称性とエリオットのSU(3)対称性が支配的な特徴であることを確立してきたが、これらの対称性が、ドリプライン付近の離れたアイソトープを含む核図表全体にわたって核結合を支配しているかどうかは依然として不明である。従来の機械学習（ML）による核質量予測手法は、物理的な洞察を提供することなくパターンを捉える「ブラックボックス」として機能することが多い。対照的に、従来の質量公式（液滴モデルなど）は、高い精度で質量を予測するための微視的な詳細さに欠けている。著者らは、単なる高精度なベンチマークよりも物理的な洞察を優先し、SU(3)およびSU(4)対称性がグローバルな核系統論の支配原理として機能するかどうかを検証するために、対称性に基づいた特徴量を利用した解釈可能なニューラルネットワーク（NN）モデルを開発することで、このギャップを埋めることを目的としている。

手法
本研究では、データキュレーション、特徴量エンジニアリング、およびモデル開発の3段階からなる手法を採用している：

1. データ収集と分割：

   • 核質量はAME2016データセット（理論的な外挿値を除く）から収集され、訓練セット（1908核、80%）とテストセット（478核、20%）に分割された。
   • AME2020データセットは、その版で初めて報告された71個の核を含む検証セットを提供し、未知の（しばしばエキゾチックな）核への外挿のベンチマークとして機能した。
   • 軽核（$Z < 8, N < 8$）は除外された。

2. 対称性に着想を得た特徴量エンジニアリング：
   モデルは、3つのカテゴリに分類された9つの物理情報に基づく特徴量を利用する：

   • 液滴モデル（LDM）特徴量： プロトン数（$Z$）、中性子数（$N$）、表面項のプロキシ（$A^{2/3}$）、およびアイソスピン投影（$T_z = (N-Z)/2$）。
   • SU(4)特徴量： 第2（$C_2$）、第3（$C_3$）、および第4（$C_4$）次カシミール演算子。これらはスピン・アイソスピン分極力を記述する。著者らは、軽核のab initio計算で特定された、最も低い$C_2$値を持つ支配的な既約表現（irrep）が、核図表全体に及んでいるという仮説を立てている。
   • SU(3)特徴量： 全調和振動子量子数（$N\hbar\omega$）、および四重極的な集団性と変形を符号化するSU(3)群の第2（$C_2$）および第3（$C_3$）次カシミール演算子。
   • 特徴量選択： 最大情報係数（MIC）を用いた相関分析により、3次のSU(4)カシミール（$C_3$）は他の特徴量との相関が弱く、奇質量核の間で符号の変動を示すことが判明した。その結果、$C_3$[SU(4)]は無関係な特徴量として最終的なモデルから除外された。

3. ニューラルネットワーク・アーキテクチャ：
   3つの異なるモデルを構築した：

   • FINN (Feature-Informed NN): 特徴量を結合エネルギー（BE）に直接マッピングする標準的な単一出力NN。平均二乗誤差（MSE）損失を用い、物理情報に基づいたガービー・カルソン（GK）正則化項を使用する。
   • GINN (Gaussian-Informed NN): 平均BE（$\mu_{BE}$）と不確かさ（$\sigma_{BE}$）の両方を予測する2出力NN。不確かさを定量化するために負の対数尤度（NLL）損失を採用している。
   • WINN (Wigner-Informed NN): 結合強度がNNによって学習される、解釈可能な双線形質量公式。公式は以下のように定義される：
     $$BE = a + bZ^2 + cT_z^2 + dN\hbar\omega + eC_2[\text{SU(3)}] + fC_3[\text{SU(3)}] + gC_2[\text{SU(4)}] + hC_4[\text{SU(4)}]$$
     ここで、係数 $\{a, \dots, h\}$ はネットワークによって学習される$N$および$Z$の関数であり、これによりモデルは核景観全体にわたって対称性の寄与を適応させることができる。

主な結果

• 性能指標：
  • LDMベースラインは、検証RMSEを1.270 MeV（FINN）に達した。
  • SU(4)特徴量のみを追加することで、検証RMSEは1.024 MeVに減少した。これは、ウィグナーの対称性がバルクの性質を超えた予測情報を持っていることを示している。
  • LDM、SU(4)、およびSU(3)の特徴量を組み合わせたものが、ブラックボックスモデルにおいて最高の性能を示した：0.624 MeV（FINN）および0.793 MeV（GINN）。
  • WINNは、わずか8つの対称性に基づいた項を用いながら、0.430 MeVという最も低い検証RMSEを達成し、FINNおよびGINNを上回った。この結果は、最先端の質量モデルと比較しても競争力がある。
• 外挿能力：
  • 既知の領域から5中性子の範囲内にある核については、WS3およびHFB-26モデルと比較して、WINNは良好な一致（5 MeV以内）を示した。
  • 誤差は既知の図表からの距離とともに系統的に増大しており、コンパクトな8項モデルの外挿における固有の限界を反映している。
• 物理的洞察：
  • SU(4)の回復： 2次のSU(4)カシミール（$C_2$）は、中性子ドリプライン付近（$Z \approx 8-60$）で顕著な増強（結合エネルギーの10–40%に寄与）を示し、スピン軌道分裂の抑制によるウィグナー対称性の回復を合図している。
  • 超重領域： 4次のSU(4)カシミール（$C_4$）は、超重領域（$N \gtrsim 126$）において顕著な強度を獲得し、$C_2$に匹敵するようになり、$\alpha$系統論の支配に関連している可能性がある。
  • ペアリング： 明示的なペアリング項がないにもかかわらず、残差に系統的な符号反転や奇偶ストレッガリングが見られないことから、モデルはペアリング効果を正常に捉えている。
  • 活性化関数： 区分線形活性化関数（ReLU, PReLU）が、滑らかな関数（Tanh, SiLU）よりも、殻構造閉鎖における二中性子分離エネルギー（$S_{2n}$）の急激な低下を再現する上で優れていることが判明した。

意義と主張
本論文は、物理的対称性を単なる入力特徴量として扱うのではなく、ニューラルネットワークのアーキテクチャに直接組み込むこと（WINNの場合）がより効果的であると主張している。主な意義は、絶対的な予測精度ではなく、以下の物理的洞察にある：

1. 対称性の検証： ウィグナーのSU(4)およびエリオットのSU(3)対称性は、軽核に限定されるものではなく、エキゾチックなアイソトープを含む全核図表の支配原理として機能しているという証拠を提示している。
2. 解釈可能性： 標準的なMLモデルとは異なり、WINNは対称性が核の結合エネルギーにどのように影響するか（例：ドリプライン付近でのSU(4)の増強）を明らかにする。
3. 創発的原理： 本研究は、創発的対称性を個々の原子核の記述子から、グローバルな核系統論を理解するための枠組みへと昇華させている。
4. 今後の方向性： 著者らは、現在の対称性の基底はコンパクトかつ効果的であるが、将来的な研究では、他の観測量（$\beta$崩壊など）への拡張や、改良された既約表現の選択、あるいは非線形性を吸収するNNの能力を活用した対称性の破れの処理などが考えられると示唆している。