查看“WikiEdge:ArXiv速递/2025-05-19”的源代码

== 摘要 ==
* '''原文标题'''：Robin: A multi-agent system for automating scientific discovery
* '''中文标题'''：罗宾：用于自动化科学发现的多智能体系统
* '''发布日期'''：2025-05-19 17:36:17+00:00
* '''作者'''：Ali Essam Ghareeb, Benjamin Chang, Ludovico Mitchener, Angela Yiu, Caralyn J. Szostkiewicz, Jon M. Laurent, Muhammed T. Razzak, Andrew D. White, Michaela M. Hinks, Samuel G. Rodriques
* '''分类'''：cs.AI, cs.MA, q-bio.QM
*'''原文链接'''：http://arxiv.org/abs/2505.13400v1
'''中文摘要'''：科学发现是由[[背景研究]]、[[假设生成]]、[[实验验证]]和[[数据分析]]的迭代过程驱动的。尽管[[人工智能]]在[[科学发现]]中的应用取得了最新进展，但尚未有系统能在单一工作流中实现所有这些阶段的自动化。本文介绍[[Robin]]——首个能够完全自动化科学过程关键智力步骤的[[多智能体系统]]。通过将[[文献检索]]智能体与[[数据分析]]智能体相结合，Robin能生成假设、提出[[实验方案]]、解释[[实验结果]]并生成更新假设，实现了科学发现的半自主化方法。应用该系统后，我们成功识别出治疗[[干性年龄相关性黄斑变性]]（[[dAMD]]，发达国家主要致盲病因）的新型疗法。Robin提出增强[[视网膜色素上皮细胞]]吞噬作用作为治疗策略，并鉴定验证了有前景的候选药物[[利帕舒地尔]]（[[ripasudil]]）。该药物是临床使用的[[Rho激酶]]（[[ROCK]]）抑制剂，此前从未被提出用于治疗dAMD。为阐明利帕舒地尔上调吞噬作用的机制，Robin随后提出并分析了[[RNA-seq]]后续实验，揭示了关键[[脂质外排泵]][[ABCA1]]的上调——该靶点可能成为新型治疗靶标。本报告正文中所有假设、实验计划、数据分析和数据图表均由Robin生成。作为首个在"[[实验室在环]]"迭代框架中自主发现并验证新型候选疗法的[[AI系统]]，Robin为[[AI驱动]]的科学发现建立了新范式。

== 摘要 ==
* '''原文标题'''：The SXS Collaboration's third catalog of binary black hole simulations
* '''中文标题'''：SXS合作组第三版双黑洞模拟目录
* '''发布日期'''：2025-05-19 17:21:54+00:00
* '''作者'''：Mark A. Scheel, Michael Boyle, Keefe Mitman, Nils Deppe, Leo C. Stein, Cristóbal Armaza, Marceline S. Bonilla, Luisa T. Buchman, Andrea Ceja, Himanshu Chaudhary, Yitian Chen, Maxence Corman, Károly Zoltán Csukás, C. Melize Ferrus, Scott E. Field, Matthew Giesler, Sarah Habib, François Hébert, Daniel A. Hemberger, Dante A. B. Iozzo, Tousif Islam, Ken Z. Jones, Aniket Khairnar, Lawrence E. Kidder, Taylor Knapp, Prayush Kumar, Guillermo Lara, Oliver Long, Geoffrey Lovelace, Sizheng Ma, Denyz Melchor, Marlo Morales, Jordan Moxon, Peter James Nee, Kyle C. Nell, Eamonn O'Shea, Serguei Ossokine, Robert Owen, Harald P. Pfeiffer, Isabella G. Pretto, Teresita Ramirez-Aguilar, Antoni Ramos-Buades, Adhrit Ravichandran, Abhishek Ravishankar, Samuel Rodriguez, Hannes R. Rüter, Jennifer Sanchez, Md Arif Shaikh, Dongze Sun, Béla Szilágyi, Daniel Tellez, Saul A. Teukolsky, Sierra Thomas, William Throwe, Vijay Varma, Nils L. Vu, Marissa Walker, Nikolas A. Wittek, Jooheon Yoo
* '''分类'''：gr-qc
*'''原文链接'''：http://arxiv.org/abs/2505.13378v1
'''中文摘要'''：我们发布了模拟极端时空（[[SXS]]）合作项目[[双黑洞]]模拟目录的重大更新。通过采用[[谱爱因斯坦代码]]（[[SpEC]]）中实现的高效[[谱方法]]，我们将[[双星]]构型总数从2,018组大幅扩充至3,756组。新版目录密集覆盖了[[质量比]]达q=8、[[无量纲自旋]]达|χ⃗|≤0.8且近零[[偏心率]]的[[进动]]模拟参数空间，同时包含部分更高质量比（含中等自旋）及超过250组[[偏心轨道]]的模拟。我们已弃用并重新运行了旧目录中的部分模拟（如使用早期[[SpEC]]版本或[[波形]]误差异常高的案例）。目录中不同[[分辨率]]波形间的中位差异（与[[失配度]]相似）为4×10⁻⁴，模拟轨道数中位值为22圈，最长模拟达148圈。所有波形均已校正至[[双星]][[质心坐标系]]并呈现[[引力波记忆效应]]。估算目录总[[CPU]]成本为4.8亿[[核心小时]]，使用[[谱方法]]进行[[双黑洞]]模拟的效率比精度相当的[[有限差分]]模拟高出1,000倍以上。完整目录可通过[[sxs]] [[Python]]包及https://data.black-holes.org 公开获取。

== 摘要 ==
* '''原文标题'''：A flexible approach for fat-water separation with bipolar readouts and correction of gradient-induced phase and amplitude effects
* '''中文标题'''：采用双极读出和梯度诱导相位/振幅效应校正的灵活脂肪-水分离方法
* '''发布日期'''：2025-05-19 11:59:44+00:00
* '''作者'''：Jorge Campos Pazmino, Renée-Claude Bider, Véronique Fortier, Ives R. Levesque
* '''分类'''：physics.med-ph
*'''原文链接'''：http://arxiv.org/abs/2505.13015v1
'''中文摘要'''：目的：开发一种[[脂肪-水分离]]方法，无需额外扫描即可校正[[双极性读出梯度]]引起的效应，且兼容任何[[脂肪-水分离技术]]。理论与方法：该方法通过联合处理[[双极性多回波梯度回波序列]]的奇偶回波数据，结合[[逆问题]]求解[[相位]]和[[振幅]]校正的[[最小二乘估计]]，以消除[[双极性梯度效应]]。通过[[克拉美-罗界理论]]（[[CRB]]）计算[[信号平均次数]]（[[NSA]]）优化[[序列参数]]选择，并采用[[图割优化]]进行方法验证，同时通过[[蒙特卡洛模拟]]（[[MC]]）评估准确性。在[[体模]]和[[活体实验]]中测试了该方法，通过[[质子密度脂肪分数图]]（[[PDFF]]）量化性能。结果：[[NSA]]计算表明短[[TE1]]和[[ΔTE]]=1.5 ms是[[脂肪-水分离]]的最优参数。[[MC]]模拟显示[[脂肪/水复合信号]]、[[ψ]]和[[R_2^*]]的估计误差均值低于1%。[[体模]]和[[活体实验]]证实该方法有效消除了[[双极性读出梯度]]的影响，提升了[[脂肪-水分离]]效果。结论：所提方法能校正[[双极性读出梯度]]对[[脂肪-水分离]]的有害效应，可将现有[[单极性梯度]]数据设计的[[脂肪-水分离技术]]扩展至[[双极性梯度]]数据。