ترجمه فارسی مقاله مقاطع الکترون-هسته از یادگیری انتقالی

چکیده

Transfer learning (TL) allows a deep neural network (DNN) trained on one type of data to be adapted for new problems with limited information. We propose to use the TL technique in physics. The DNN learns the physics of one process, and after fine-tuning, it makes predictions for related processes. We consider the DNNs, trained on inclusive electron-carbon scattering data, and show that after fine-tuning, they accurately predict cross sections for electron interactions with nuclear targets ranging from lithium to iron. The method works even when the DNN is fine-tuned on a small dataset.

چکیده به فارسی (ترجمه ماشینی)

یادگیری انتقال (TL) اجازه می دهد تا یک شبکه عصبی عمیق (DNN) که بر روی یک نوع داده آموزش دیده است ، برای مشکلات جدید با اطلاعات محدود سازگار شود.ما پیشنهاد می کنیم از تکنیک TL در فیزیک استفاده کنیم.DNN فیزیک یک فرآیند را می آموزد و پس از تنظیم دقیق ، پیش بینی هایی را برای فرآیندهای مرتبط انجام می دهد.ما DNN ها را در نظر می گیریم ، که روی داده های پراکندگی الکترونی کربن فراگیر آموزش دیده اند و نشان می دهیم که پس از تنظیم دقیق ، آنها به طور دقیق مقطع برای تعامل الکترونی با اهداف هسته ای از لیتیوم تا آهن را پیش بینی می کنند.این روش حتی هنگامی که DNN روی یک مجموعه داده کوچک تنظیم شده است ، کار می کند.