查看“WikiEdge:ArXiv速递/2025-03-16”的源代码

== 摘要 ==
* '''原文标题'''：A quantitative analysis of Galilei's observations of Jupiter satellites from the Sidereus Nuncius
* '''中文标题'''：对《星际信使》中伽利略观测木星卫星的定量分析
* '''发布日期'''：2025-03-16 15:24:46+00:00
* '''作者'''：Andrea Longhin
* '''分类'''：physics.hist-ph, astro-ph.EP
*'''原文链接'''：http://arxiv.org/abs/2503.12543v1
'''中文摘要'''：我们分析了《[[星际信使]]》（1610年1月7日至3月1日）中关于[[木星卫星]]的观测数据，并将其与使用现代[[天空模拟器]]获得的预测结果逐一进行对比验证。通过对64幅可用草图的数据进行[[正弦拟合]]，我们能够以2-4%和0.1-0.3%的统计精度分别测量卫星轨道的相对[[半长轴]]及其[[周期]]。周期基本无偏差，而[[卡利斯托]]的轨道则被低估了约12%。后验拟合误差表明，卫星位置的确定分辨率在[[伽利略]]的表示法中为0.4-0.6个[[木星直径]]，相当于约40-70[[角秒]]，即与当时木星的真实[[角直径]]相似。我们展示了如何通过这些数据以令人信服的方式推断出[[木星系统]]的[[开普勒第三定律]]。[[木卫一]]与[[木卫二]]/[[木卫三]]之间的1:2和1:4[[轨道共振]]可以以%的精度确定。为了获得这些结果，分离四个数据集非常重要。这一操作如今使用天空模拟器非常简单，并在本工作中完整记录，但对伽利略来说却是一项极其困难的任务，正如分析所表明的那样。尽管如此，我们展示了如何利用现代[[Lomb-Scargle技术]]提取四个周期，而无需分离四个数据集，仅使用这些早期观测数据即可。我们还对[[昴星团]]及其他[[星团]]以及[[月球]]的观测精度进行了批判性评估。

== 摘要 ==
* '''原文标题'''：Deepfake Detection with Optimized Hybrid Model: EAR Biometric Descriptor via Improved RCNN
* '''中文标题'''：基于优化混合模型的深度伪造检测：通过改进的RCNN生成耳部生物特征描述符
* '''发布日期'''：2025-03-16 07:01:29+00:00
* '''作者'''：Ruchika Sharma, Rudresh Dwivedi
* '''分类'''：cs.CV, cs.MM
*'''原文链接'''：http://arxiv.org/abs/2503.12381v1
'''中文摘要'''：[[深度伪造]]是一种近年来广泛使用的技术，通过修改和替换来自不同来源的面部信息，用于创建有害内容，如[[假新闻]]、[[电影]]和[[谣言]]。鉴于[[深度伪造]]的持续演变，对其进行持续识别和预防的研究至关重要。由于[[人工智能]]（[[AI]]）领域的最新技术进步，区分[[深度伪造]]和人工修改的图像变得具有挑战性。本文提出了一种通过检测细微的耳朵运动和形状变化来生成耳朵描述符的鲁棒检测方法。此外，我们还提出了一种新颖的优化混合[[深度伪造检测]]模型，该模型通过增强的[[RCNN]]（基于区域的[[卷积神经网络]]）考虑耳朵生物特征描述符。首先，输入视频被转换为帧，并通过调整大小、归一化、灰度转换和滤波过程进行预处理，随后使用[[Viola-Jones]]技术进行面部检测。接下来，利用由[[DBN]]（[[深度信念网络]]）和[[Bi-GRU]]（[[双向门控循环单元]]）组成的混合模型，基于耳朵描述符进行[[深度伪造检测]]。检测阶段的输出通过改进的分数级融合确定。为了提升性能，使用[[SU-JFO]]（[[自升级水母优化方法]]）对两个检测模型的权重进行优化调整。实验基于四种场景进行：[[压缩]]、[[噪声]]、[[旋转]]、[[姿态]]和[[光照]]，并在三个不同的数据集上进行。性能结果表明，我们提出的方法在[[准确性]]、[[特异性]]和[[精确度]]等各种性能指标上优于传统模型，如[[CNN]]（[[卷积神经网络]]）、[[SqueezeNet]]、[[LeNet]]、[[LinkNet]]、[[LSTM]]（[[长短期记忆]]）、[[DFP]]（[[深度伪造预测器]]）[1]和[[ResNext]]+[[CNN]]+[[LSTM]] [2]。

== 摘要 ==
* '''原文标题'''：Revealing Nanostructures in High-Entropy Alloys via Machine-Learning Accelerated Scalable Monte Carlo Simulation
* '''中文标题'''：通过机器学习加速的可扩展蒙特卡罗模拟揭示高熵合金中的纳米结构
* '''发布日期'''：2025-03-16 17:51:59+00:00
* '''作者'''：Xianglin Liu, Kai Yang, Yongxiang Liu, Fanli Zhou, Dengdong Fan, Zongrui Pei, Pengxiang Xu, Yonghong Tian
* '''分类'''：cond-mat.mtrl-sci, cond-mat.dis-nn, physics.comp-ph
*'''原文链接'''：http://arxiv.org/abs/2503.12591v1
'''中文摘要'''：大规模模拟是理解材料行为和设计新材料的有力工具。然而，由于计算能力、算法效率和精度的限制，原子尺度模拟的计算局限性使我们无法在基态（[[DFT]]）精度下模拟大系统。在此，我们引入了一种高效且可扩展的蒙特卡罗（[[SMC]]）方法，克服了传统[[MC]]模拟算法中固有的并行化瓶颈，将[[MC]]扫描的计算复杂度从立方降低到线性。利用我们方法中固有的高度并行化特性，我们提出了一个[[GPU]]加速的实现，[[SMC_GPU]]，它能够在保持密度泛函理论（[[DFT]]）精度的同时，模拟超过十亿个原子的原子系统。利用这一前所未有的能力，我们进行了大规模热力学模拟，研究了[[FeCoNiAlTi]]和[[MoNbTaW]]高熵合金（[[HEAs]]）中的微观结构演化。我们的结果揭示了丰富的纳米尺度现象，包括短程和长程有序、纳米颗粒和纳米相。这些纳米结构的尺寸、组成和形态可能包含数百万个原子，因此对传统方法提出了重大挑战，据我们所知，这是首次通过高精度原子模拟进行分析。我们的模拟产生的热力学性质和纳米结构与现有的理论和实验数据吻合良好。更有趣的是，我们的结果表明，[[HEA]]中复杂的有序和无序纳米尺度相互作用源于化学复杂性和温度的综合影响。这项工作强调了大规模[[MC]]模拟在[[HEA]]研究中的巨大潜力。

== 摘要 ==
* '''原文标题'''：TBHubbard: tight-binding and extended Hubbard model database for metal-organic frameworks
* '''中文标题'''：TBHubbard：用于金属有机框架的紧束缚和扩展Hubbard模型数据库
* '''发布日期'''：2025-03-16 15:50:25+00:00
* '''作者'''：Pamela C. Carvalho, Federico Zipoli, Alan C. Duriez, Marco Antonio Barroca, Rodrigo Neumann Barros Ferreira, Barbara Jones, Benjamin Wunsch, Mathias Steiner
* '''分类'''：cond-mat.mtrl-sci, cond-mat.str-el, physics.comp-ph
*'''原文链接'''：http://arxiv.org/abs/2503.12554v1
'''中文摘要'''：[[金属有机框架]]（MOFs）是由[[金属离子]]和[[有机连接体]]组成的多孔材料。其多样的组成和结构提供了广泛的应用，例如[[导电性]]和[[扩散性]]，这些可以通过调整不同构建块的组合来优化。通过修改[[金属中心]]或[[有机连接体]]的简便性，MOFs 成为通过[[计算建模]]进行性质预测和[[逆向材料设计]]的理想选择。[[数据科学]]驱动的技术可以通过使用[[机器学习模型]]和文献中可用的[[模拟数据]]，帮助探索具有优化性质的新型结构。在这里，我们提供了一个广泛的 MOFs 模拟数据集，该数据集源自基于[[密度泛函理论]]的 QMOF 数据库，并提供了相应的[[紧束缚晶格哈密顿量]]，为每种材料的[[电子结构]]提供了见解。[[拓扑信息]]通过[[原子位置平滑重叠]]（SOAP）描述符进行了增强，这些描述符被用作局部环境的指纹。此外，[[扩展 Hubbard 模型]]也被用于描述具有[[过渡金属]]的 MOFs 子集，其中计算了[[Hubbard 参数]]（站点内 U 和站点间 V）。由于与[[Hubbard 计算]]相关的高计算成本以及[[紧束缚哈密顿量]]的全面数据量，这里提供的数据库不仅对训练[[机器学习模型]]以预测新性质具有重要意义，还对执行具有增强目标性质的新型 MOFs 的[[逆向设计]]具有重要意义。

== 摘要 ==
* '''原文标题'''：Revealing Nanostructures in High-Entropy Alloys via Machine-Learning Accelerated Scalable Monte Carlo Simulation
* '''中文标题'''：通过机器学习加速的可扩展蒙特卡洛模拟揭示高熵合金中的纳米结构
* '''发布日期'''：2025-03-16 17:51:59+00:00
* '''作者'''：Xianglin Liu, Kai Yang, Yongxiang Liu, Fanli Zhou, Dengdong Fan, Zongrui Pei, Pengxiang Xu, Yonghong Tian
* '''分类'''：cond-mat.mtrl-sci, cond-mat.dis-nn, physics.comp-ph
*'''原文链接'''：http://arxiv.org/abs/2503.12591v1
'''中文摘要'''：大规模模拟是理解材料行为和设计新材料的有力工具。然而，由于计算能力、算法效率和精度的限制，原子尺度模拟的计算局限性使我们无法在基态（[[DFT]]）精度下模拟大系统。在此，我们引入了一种高效且可扩展的蒙特卡罗（[[SMC]]）方法，克服了传统[[MC]]模拟算法中固有的并行化瓶颈，将[[MC]]扫描的计算复杂度从立方降低到线性。利用我们方法中固有的高度并行化特性，我们提出了一种[[GPU]]加速实现，[[SMC_GPU]]，它能够在保持密度泛函理论（[[DFT]]）精度的同时，模拟超过十亿个原子的原子系统。利用这一前所未有的能力，我们进行了大规模热力学模拟，研究了[[FeCoNiAlTi]]和[[MoNbTaW]]高熵合金（[[HEAs]]）中的微观结构演化。我们的结果揭示了丰富的纳米尺度现象，包括短程和长程有序、纳米颗粒和纳米相。这些纳米结构的尺寸、组成和形态可能包含数百万个原子，因此对传统方法提出了重大挑战，据我们所知，这是首次通过高精度原子模拟进行分析。我们的模拟产生的热力学性质和纳米结构与现有的理论和实验数据吻合良好。更有趣的是，我们的结果表明，[[HEA]]中复杂的有序和无序纳米尺度相互作用源于化学复杂性和温度的综合影响。这项工作强调了大规模[[MC]]模拟在[[HEA]]中的巨大潜力。

== 摘要 ==
* '''原文标题'''：A quantitative analysis of Galilei's observations of Jupiter satellites from the Sidereus Nuncius
* '''中文标题'''：对《星际信使》中伽利略观测木星卫星的定量分析
* '''发布日期'''：2025-03-16 15:24:46+00:00
* '''作者'''：Andrea Longhin
* '''分类'''：physics.hist-ph, astro-ph.EP
*'''原文链接'''：http://arxiv.org/abs/2503.12543v1
'''中文摘要'''：我们分析了《[[星际信使]]》（1610年1月7日至3月1日）中关于[[木星卫星]]的观测数据，并将其与使用现代[[天空模拟器]]获得的预测结果逐一进行对比验证。通过对64幅可用草图的数据进行[[正弦拟合]]，我们能够以2-4%和0.1-0.3%的统计精度分别测量卫星轨道的相对[[半长轴]]及其[[周期]]。结果表明，周期基本无偏差，而[[卡利斯托]]的轨道则被低估了约12%。后验拟合误差表明，卫星位置的确定分辨率在[[伽利略]]的表示法中为0.4-0.6个[[木星]]直径，相当于约40-70[[角秒]]，与当时木星的真实[[角直径]]相近。我们展示了如何通过这些数据令人信服地推断出[[木星系统]]的[[开普勒第三定律]]。[[木卫一]]与[[木卫二]]/[[木卫三]]之间的1:2和1:4[[轨道共振]]可以以%的精度确定。为了获得这些结果，分离四个数据集至关重要。这一操作在现代天空模拟器中非常简单，并在本文中详细记录，但对伽利略来说却是一项极其困难的任务，分析将证明这一点。尽管如此，我们展示了如何利用现代[[Lomb-Scargle技术]]从这些早期观测中提取四个周期，而无需事先分离四个数据集。此外，我们还对[[昴星团]]及其他[[星团]]以及[[月球]]的观测精度进行了批判性评估。