查看“WikiEdge:ArXiv速递/2025-05-30”的源代码

== 摘要 ==
* '''原文标题'''：Assessing Future Wind Energy Potential under Climate Change: The Critical Role of Multi-Model Ensembles in Robustness Assessment
* '''中文标题'''：评估气候变化下的未来风能潜力：多模型集成在稳健性评估中的关键作用
* '''发布日期'''：2025-05-30 11:07:18+00:00
* '''作者'''：Andrea Lira-Loarca, Francesco Ferrari, Andrea Mazzino
* '''分类'''：physics.ao-ph
*'''原文链接'''：http://arxiv.org/abs/2505.24463v1
'''中文摘要'''：准确预测[[气候变化]]下的[[风能]]潜力对长期[[能源规划]]至关重要。尽管先前研究强调了多[[模型集合]]的价值，但往往未能充分捕捉与[[风资源]]可靠性相关的不确定性全谱和时态动态。本文通过整合[[EURO-CORDEX]]倡议的21种高分辨率[[RCM]]-[[GCM]]组合大集合，对[[RCP8.5]]情景下[[欧洲]]未来风能条件进行了迄今最全面的评估。突破均值分析框架，我们引入基于事件的新方法，利用[[ERA5]]衍生的百分位阈值分析持续高低风事件——捕捉影响[[风机]]性能与[[电网]]稳定性的关键运行条件。为确保统计严谨性，采用[[IPCC AR6]]的"C方法"进行稳健性评估，区分[[气候信号]]与[[内部变率]]并量化模型一致性。关键发现表明：基于有限子集合的预测可能导致矛盾或误导性结论，这凸显了集合多样性的核心作用。空间粒度、时间细节与形式化[[不确定性量化]]的结合，使本研究成为气候导向型风能研究的重大进展，并为弹性[[能源系统]]设计提供了重要工具。

== 摘要 ==
* '''原文标题'''：AutoChemSchematic AI: A Closed-Loop, Physics-Aware Agentic Framework for Auto-Generating Chemical Process and Instrumentation Diagrams
* '''中文标题'''：AutoChemSchematic AI：闭环物理感知智能体框架，用于自动生成化工工艺与仪表流程图
* '''发布日期'''：2025-05-30 13:32:00+00:00
* '''作者'''：Sakhinana Sagar Srinivas, Shivam Gupta, Venkataramana Runkana
* '''分类'''：cs.LG, cs.AI, cs.IR
*'''原文链接'''：http://arxiv.org/abs/2505.24584v1
'''中文摘要'''：摘要：尽管[[生成式AI]]的最新进展加速了新型[[化学品]]和[[材料]]的发现，但将这些发现转化为[[工业规模]]生产仍存在关键瓶颈，因为这需要开发全新的[[化学制造]]流程。当前[[AI]]方法无法自动生成[[工艺流程图]]([[PFD]])和[[管道仪表图]]([[PID]])——尽管这些图表对[[化学工艺]]放大至关重要——同时还需遵守[[工程约束]]。我们提出一个闭环、物理感知的框架，用于自动生成工业可行的[[PFD]]和[[PID]]。该框架将面向[[化学工艺]][[QA]]任务训练的[[专业化]][[小型语言模型]]([[SLM]])与[[第一性原理]][[模拟]]相结合，包含三大核心组件：(1)涵盖1,020+种[[化学品]]的[[工艺流]]与[[仪表]]描述的[[分层]][[知识图谱]]；(2)通过[[监督微调]]([[SFT]])、[[直接偏好优化]]([[DPO]])和[[检索增强]][[指令调优]]([[RAIT]])在[[合成数据集]]上微调专业[[SLM]]的[[多阶段]][[训练流程]]；(3)基于[[DWSIM]][[模拟器]]的[[闭环验证]]以确保[[可行性]]。为提升[[运行效率]]与[[模型]][[紧凑性]]，框架整合了[[FlashAttention]]、[[前瞻解码]]、带[[KV缓存]][[量化]]的[[分页注意力]]等高级[[推理]][[优化技术]]，并采用[[启发式]][[重要性]][[指导]]的[[结构化剪枝]]([[宽度]]与[[深度]])以最小[[精度]][[损失]][[压缩]][[模型]]。实验表明，该框架能高保真生成[[模拟器]]验证的[[工艺描述]]，在[[正确性]]上超越[[基线方法]]，并能[[泛化]]至未见[[化学品]]。通过连接[[AI]][[驱动]][[设计]]与[[工业级]][[可行性]]，本工作显著缩短了从[[实验室]][[发现]]到[[工厂]][[部署]]的[[研发周期]]。

== 摘要 ==
* '''原文标题'''：Search for a new 17 MeV resonance via $e^+e^-$ annihilation with the PADME Experiment
* '''中文标题'''：通过PADME实验的正负电子湮灭寻找17 MeV新共振态
* '''发布日期'''：2025-05-30 17:01:50+00:00
* '''作者'''：F. Bossi, R. De Sangro, C. Di Giulio, E. Di Meco, D. Domenici, G. Finocchiaro, L. G. Foggetta, M. Garattini, P. Gianotti, M. Mancini, I. Sarra, T. Spadaro, C. Taruggi, E. Vilucchi, K. Dimitrova, S. Ivanov, Sv. Ivanov, K. Kostova, V. Kozhuharov, R. Simeonov, F. Ferrarotto, E. Leonardi, P. Valente, E. Long, G. C. Organtini, M. Raggi, A. Frankenthal
* '''分类'''：hep-ex
*'''原文链接'''：http://arxiv.org/abs/2505.24797v1
'''中文摘要'''：摘要：弗拉斯蒂[[DA$\Phi$NE]]直线加速器上的[[PADME实验]]利用[[正电子]]束轰击固定靶，搜寻质量约17 MeV的假设粒子[[X17]]。束流能量在262至296 MeV间变化，对应[[质心能量]]$\sqrt{s}$为16.4至17.4 MeV。当$\sqrt{s}$接近[[X17]]质量时，该粒子应通过$e^+e^-$[[湮灭]]共振产生，导致[[双体末态]]事例数超过[[本底]]预期。束流能量间隔设置为小于[[共振线型]]预期宽度的一半，每个$\sqrt{s}$点实现了低于1%的[[不确定度]]。实验采用[[盲分析法]]，在大部分探索能区中数据与本底预期一致，并在[[参数空间]]未探索区域设定了限制。最显著偏差出现在$\sqrt{s} \approx 16.90$ MeV处，其全局[[显著性]]约为零假设预期的2个[[标准偏差]]。

== 摘要 ==
* '''原文标题'''：Assessing Future Wind Energy Potential under Climate Change: The Critical Role of Multi-Model Ensembles in Robustness Assessment
* '''中文标题'''：评估气候变化下的未来风能潜力：多模型集成在稳健性评估中的关键作用
* '''发布日期'''：2025-05-30 11:07:18+00:00
* '''作者'''：Andrea Lira-Loarca, Francesco Ferrari, Andrea Mazzino
* '''分类'''：physics.ao-ph
*'''原文链接'''：http://arxiv.org/abs/2505.24463v1
'''中文摘要'''：准确预测[[气候变化]]下的[[风能]]潜力对长期[[能源规划]]至关重要。尽管先前研究强调了多模型集合的价值，但往往未能充分捕捉与[[风资源]]可靠性相关的不确定性全谱和时序动态。本文通过整合[[EURO-CORDEX]]计划中21种高分辨率[[RCM]]-[[GCM]]组合的大规模集合，针对[[RCP8.5]]情景评估[[欧洲]]未来风能状况，提出了迄今最全面的分析之一。突破均值分析的局限，我们引入基于事件的新框架——利用[[ERA5]]衍生的百分位阈值来研究持续高低风速事件，从而捕捉影响[[风机]]性能与[[电网]]稳定性的关键运行条件。为确保统计严谨性，采用[[IPCC AR6]]的"C方法"进行稳健性评估，区分[[气候信号]]与[[内部变率]]并量化模型一致性。研究关键发现：基于有限子集的预测可能导致矛盾或误导性结论，这印证了集合多样性的核心作用。该研究结合空间粒度、时序细节和形式化[[不确定性量化]]，标志着气候导向型风能研究的重大进展，为[[韧性能源系统]]设计提供了重要工具。

== 摘要 ==
* '''原文标题'''：Likelihoods for Stochastic Gravitational Wave Background Data Analysis
* '''中文标题'''：随机引力波背景数据分析的似然函数研究
* '''发布日期'''：2025-05-30 15:18:51+00:00
* '''作者'''：Gabriele Franciolini, Mauro Pieroni, Angelo Ricciardone, Joseph D. Romano
* '''分类'''：gr-qc, astro-ph.CO
*'''原文链接'''：http://arxiv.org/abs/2505.24695v1
'''中文摘要'''：我们系统研究了用于[[随机引力波背景]]([[SGWB]])搜索的[[似然函数]]。通过将[[数据]]分割为多个短时段，通常可利用[[中心极限定理]]来证明[[高斯互相关似然]]的合理性。我们通过一系列逐渐逼近现实的案例（从单频段单[[探测器]]开始，逐步扩展到具有[[白噪声]]和[[有色噪声]]的双探测器及三探测器系统）表明：用各类[[高斯近似]]替代精确的[[Whittle似然函数]]，可能导致[[SGWB]]参数估计出现系统性偏差。我们推导了完整[[似然函数]]的多种近似形式，并确定了[[高斯性]]失效的区间。同时探讨了基于[[基准噪声估计]]对完整[[似然函数]]进行条件化处理以实现无偏[[SGWB]]参数估计的可能性。研究发现，对于某些时段持续时间和[[带宽]]（特别是[[天基探测器]]和[[脉冲星计时阵列]]），这种偏差可能超过[[统计不确定性]]。本研究为时段选择、[[似然函数]]选取及[[数据压缩]]策略提供了实用指导，以确保在当前及下一代[[引力波探测器]]中获得稳健的[[SGWB]]推断结果。

== 摘要 ==
* '''原文标题'''：AutoChemSchematic AI: A Closed-Loop, Physics-Aware Agentic Framework for Auto-Generating Chemical Process and Instrumentation Diagrams
* '''中文标题'''：AutoChemSchematic AI：闭环物理感知的智能框架，用于自动生成化工工艺与仪表流程图
* '''发布日期'''：2025-05-30 13:32:00+00:00
* '''作者'''：Sakhinana Sagar Srinivas, Shivam Gupta, Venkataramana Runkana
* '''分类'''：cs.LG, cs.AI, cs.IR
*'''原文链接'''：http://arxiv.org/abs/2505.24584v1
'''中文摘要'''：摘要：尽管[[生成式人工智能]]的最新进展加速了新型[[化学品]]和[[材料]]的发现，但将这些发现转化为[[工业规模]]生产仍存在关键瓶颈，因为这需要开发全新的[[化学制造工艺]]。当前的[[AI]]方法无法自动生成[[工艺流程图]](PFD)或[[管道仪表图]](PID)，尽管这些图表在[[化学工艺]]放大过程中至关重要且需遵循[[工程约束]]。我们提出了一种闭环、物理感知的框架，用于自动生成工业可行的PFD和PID。该框架将面向[[化学工艺问答]]任务的领域专用[[小型语言模型]](SLM)与[[第一性原理模拟]]相结合，包含三个关键组件：(1)包含1,020多种化学品的[[工艺流]]和[[仪表描述]]的[[分层知识图谱]]；(2)通过[[监督微调]](SFT)、[[直接偏好优化]](DPO)和[[检索增强指令调优]](RAIT)在[[合成数据集]]上微调领域专用SLM的[[多阶段训练流程]]；(3)基于[[DWSIM]]的[[闭环模拟器]]验证以确保可行性。为提高[[运行时效率]]和[[模型紧凑性]]，该框架整合了[[FlashAttention]]、[[前瞻解码]]、带[[KV缓存量化]]的[[分页注意力]]等高级[[推理优化]]技术，并采用[[启发式重要性]]指导的[[结构化剪枝]](宽度和深度)以最小[[精度损失]]减小[[模型尺寸]]。实验表明，该框架能高保真地生成[[模拟器验证]]的工艺描述，在[[正确性]]上超越[[基线方法]]，并能泛化至未见化学品。通过连接[[AI驱动设计]]与[[工业规模]]可行性，这项工作显著缩短了从[[实验室发现]]到[[工厂部署]]的[[研发周期]]。

== 摘要 ==
* '''原文标题'''：Search for a new 17 MeV resonance via $e^+e^-$ annihilation with the PADME Experiment
* '''中文标题'''：通过PADME实验的正负电子湮灭寻找17 MeV新共振态
* '''发布日期'''：2025-05-30 17:01:50+00:00
* '''作者'''：F. Bossi, R. De Sangro, C. Di Giulio, E. Di Meco, D. Domenici, G. Finocchiaro, L. G. Foggetta, M. Garattini, P. Gianotti, M. Mancini, I. Sarra, T. Spadaro, C. Taruggi, E. Vilucchi, K. Dimitrova, S. Ivanov, Sv. Ivanov, K. Kostova, V. Kozhuharov, R. Simeonov, F. Ferrarotto, E. Leonardi, P. Valente, E. Long, G. C. Organtini, M. Raggi, A. Frankenthal
* '''分类'''：hep-ex
*'''原文链接'''：http://arxiv.org/abs/2505.24797v1
'''中文摘要'''：摘要：弗拉斯卡蒂[[DA$\Phi$NE]][[直线加速器]]上的[[PADME实验]]利用[[正电子]][[束流]]轰击[[固定靶]]，搜寻质量约17 MeV的假设粒子[[X17]]。束流能量在262至296 MeV间调节，对应[[质心能量]]$\sqrt{s}$覆盖16.4至17.4 MeV范围。当$\sqrt{s}$接近[[X17]]质量时，该粒子应通过$e^+e^-$[[湮灭]][[共振]]产生，导致[[双体]][[末态]][[事例数]]超过[[本底]]预期。束流能量间隔设置为小于[[共振线型]]预期宽度的一半，每个$\sqrt{s}$点的[[不确定度]]控制在1%以下。采用[[盲分析]]方法，数据显示在大部分探索[[能区]]与本底预期一致，并在[[参数空间]]未探索区域设定了限制。最显著偏差出现在$\sqrt{s} \approx 16.90$ MeV处，对应[[零假设]]预期下约2个[[标准差]]的[[全局显著性]]。

== 摘要 ==
* '''原文标题'''：Assessing Future Wind Energy Potential under Climate Change: The Critical Role of Multi-Model Ensembles in Robustness Assessment
* '''中文标题'''：评估气候变化下的未来风能潜力：多模型集成在稳健性评估中的关键作用
* '''发布日期'''：2025-05-30 11:07:18+00:00
* '''作者'''：Andrea Lira-Loarca, Francesco Ferrari, Andrea Mazzino
* '''分类'''：physics.ao-ph
*'''原文链接'''：http://arxiv.org/abs/2505.24463v1
'''中文摘要'''：准确预测[[气候变化]]下的[[风能]]潜力对长期[[能源规划]]至关重要。尽管先前研究强调了多模型集合的价值，但往往未能充分捕捉与[[风资源]]可靠性相关的不确定性全谱和时态动态。本文通过整合[[EURO-CORDEX]]计划中21种高分辨率[[RCM]]-[[GCM]]组合的大规模集合，针对[[RCP8.5]]情景下的[[欧洲]]未来风能条件开展了迄今最全面的评估之一。突破均值分析局限，我们引入基于事件的新框架，利用[[ERA5]]导出的百分位阈值分析持续高低风事件——捕捉影响[[风机]]性能与[[电网]]稳定性的关键运行条件。为确保统计严谨性，采用[[IPCC AR6]]的"C方法"进行稳健性评估，区分[[气候信号]]与[[内部变率]]并量化模型一致性。关键发现表明：基于有限子集的预测可能导致矛盾或误导性结论，这凸显了集合多样性的核心作用。空间粒度、时间细节与形式化不确定性量化的结合，使本研究成为气候导向型风能研究的重大进展，并为[[弹性能源系统]]设计提供了重要工具。

== 摘要 ==
* '''原文标题'''：AutoChemSchematic AI: A Closed-Loop, Physics-Aware Agentic Framework for Auto-Generating Chemical Process and Instrumentation Diagrams
* '''中文标题'''：AutoChemSchematic AI：用于自动生成化工工艺与仪表图的闭环物理感知智能体框架
* '''发布日期'''：2025-05-30 13:32:00+00:00
* '''作者'''：Sakhinana Sagar Srinivas, Shivam Gupta, Venkataramana Runkana
* '''分类'''：cs.LG, cs.AI, cs.IR
*'''原文链接'''：http://arxiv.org/abs/2505.24584v1
'''中文摘要'''：摘要：尽管[[生成式AI]]的最新进展加速了新型[[化学品]]和[[材料]]的发现，但将这些发现转化为[[工业规模]]生产仍是关键瓶颈，因为这需要开发全新的[[化学制造]]流程。现有[[AI]]方法无法在遵守[[工程约束]]的同时自动生成[[工艺流程图]](PFD)和[[管道仪表图]](PID)，而这两种图表对[[化学工艺]]放大至关重要。我们提出了一种闭环、物理感知的框架，用于自动生成工业可行的PFD和PID。该框架将面向[[化工过程]]问答任务的领域专用小规模[[语言模型]](SLM)与[[第一性原理模拟]]相结合，包含三个关键组件：(1)涵盖1,020多种化学品的[[工艺流]]和[[仪表描述]]的分层[[知识图谱]]；(2)通过[[监督微调]](SFT)、[[直接偏好优化]](DPO)和[[检索增强指令调优]](RAIT)在[[合成数据集]]上微调领域专用SLM的[[多阶段训练流程]]；(3)基于[[DWSIM]]的[[模拟器]]闭环验证以确保可行性。为提高[[运行时效率]]和[[模型紧凑性]]，框架整合了[[FlashAttention]]、[[前瞻解码]]、带[[KV缓存]]量化的[[分页注意力]]等高级[[推理优化]]技术，并采用[[启发式]]重要性指导的[[结构化剪枝]](宽度和深度)来最小化[[精度损失]]减小[[模型尺寸]]。实验表明，该框架能高保真地生成[[模拟器]]验证的[[工艺描述]]，在[[正确性]]上超越[[基线方法]]，并能泛化至未见化学品。通过连接[[AI驱动设计]]与[[工业级可行性]]，本工作显著缩短了从[[实验室]]发现到[[工厂部署]]的[[研发周期]]。

== 摘要 ==
* '''原文标题'''：Search for a new 17 MeV resonance via $e^+e^-$ annihilation with the PADME Experiment
* '''中文标题'''：通过PADME实验的正负电子湮灭寻找17 MeV新共振态
* '''发布日期'''：2025-05-30 17:01:50+00:00
* '''作者'''：F. Bossi, R. De Sangro, C. Di Giulio, E. Di Meco, D. Domenici, G. Finocchiaro, L. G. Foggetta, M. Garattini, P. Gianotti, M. Mancini, I. Sarra, T. Spadaro, C. Taruggi, E. Vilucchi, K. Dimitrova, S. Ivanov, Sv. Ivanov, K. Kostova, V. Kozhuharov, R. Simeonov, F. Ferrarotto, E. Leonardi, P. Valente, E. Long, G. C. Organtini, M. Raggi, A. Frankenthal
* '''分类'''：hep-ex
*'''原文链接'''：http://arxiv.org/abs/2505.24797v1
'''中文摘要'''：摘要：弗拉斯卡蒂[[DA$\Phi$NE]][[直线加速器]]上的[[PADME实验]]通过[[正电子]][[束流]]轰击[[固定靶]]，搜寻质量约17 MeV（俗称[[X17]]）的假设[[粒子]]。[[束流能量]]在262至296 MeV间调节，对应[[质心能量]]$\sqrt{s}$覆盖16.4至17.4 MeV范围。当$\sqrt{s}$接近[[X17]]质量时，该粒子应通过$e^+e^-$[[湮灭]][[共振]]产生，导致[[双体]][[末态]][[事例数]]超过[[本底]]预期。[[束流能量]]间隔设置为小于[[共振线型]]预期宽度的一半，每个$\sqrt{s}$点的不确定度控制在1%以内。采用[[盲分析法]]发现：在大部分[[探测能区]][[数据]]与本底预期一致，并在[[参数空间]]未探索区域设定了限制。最显著偏差出现在$\sqrt{s} \approx 16.90$ MeV处，其[[全局显著性]]约为[[零假设]]预期的2个[[标准偏差]]。

== 摘要 ==
* '''原文标题'''：Assessing Future Wind Energy Potential under Climate Change: The Critical Role of Multi-Model Ensembles in Robustness Assessment
* '''中文标题'''：评估气候变化下的未来风能潜力：多模型集成在稳健性评估中的关键作用
* '''发布日期'''：2025-05-30 11:07:18+00:00
* '''作者'''：Andrea Lira-Loarca, Francesco Ferrari, Andrea Mazzino
* '''分类'''：physics.ao-ph
*'''原文链接'''：http://arxiv.org/abs/2505.24463v1
'''中文摘要'''：准确预测[[气候变化]]下的[[风能]]潜力对长期[[能源规划]]至关重要。尽管先前研究强调了多[[模型集合]]的价值，但往往未能充分捕捉与[[风资源]]可靠性相关的不确定性全谱和时态动态。本文提出了迄今最全面的评估之一，利用[[EURO-CORDEX]]倡议的21种高分辨率[[RCM]]-[[GCM]]组合大集合，评估[[RCP8.5]]情景下[[欧洲]]未来风能状况。突破均值分析框架，我们引入基于事件的新方法，通过[[ERA5]]导出的百分位阈值分析持续高低风事件——捕捉影响[[风机]]性能和[[电网]]稳定性的关键运行条件。为确保统计严谨性，我们采用[[IPCC AR6]]的"C方法"进行稳健性评估，区分[[气候信号]]与[[内部变率]]并量化模型一致性。关键发现表明，基于有限子集合的预测可能导致矛盾或误导性结论，这凸显了集合多样性的核心作用。空间粒度、时间细节和形式化不确定性量化的结合，使本研究成为气候知情风能研究的重大进展，并为[[弹性能源系统]]设计提供了重要工具。

== 摘要 ==
* '''原文标题'''：AutoChemSchematic AI: A Closed-Loop, Physics-Aware Agentic Framework for Auto-Generating Chemical Process and Instrumentation Diagrams
* '''中文标题'''：AutoChemSchematic AI：闭环物理感知智能体框架，用于自动生成化工工艺与仪表流程图
* '''发布日期'''：2025-05-30 13:32:00+00:00
* '''作者'''：Sakhinana Sagar Srinivas, Shivam Gupta, Venkataramana Runkana
* '''分类'''：cs.LG, cs.AI, cs.IR
*'''原文链接'''：http://arxiv.org/abs/2505.24584v1
'''中文摘要'''：摘要：尽管[[生成式AI]]的最新进展加速了新型[[化学品]]和[[材料]]的发现，但将这些发现转化为[[工业规模]]生产仍存在关键瓶颈，因为这需要开发全新的[[化学制造工艺]]。目前的[[AI]]方法无法自动生成[[工艺流程图]](PFD)和[[管道仪表图]](PID)，尽管这些图表在[[化学工艺]]放大过程中至关重要且需符合[[工程约束]]。我们提出了一种闭环、物理感知的框架，用于自动生成工业可行的PFD和PID。该框架将面向[[化学工艺]]问答任务的领域专用小型[[语言模型]](SLM)与[[第一性原理模拟]]相结合，包含三个关键组件：(1)包含1,020多种化学品的[[工艺流]]和[[仪表描述]]的分层[[知识图谱]]；(2)通过[[监督微调]](SFT)、[[直接偏好优化]](DPO)和[[检索增强指令调优]](RAIT)在[[合成数据集]]上微调领域专用SLM的[[多阶段训练流程]]；(3)基于[[DWSIM]]的[[模拟器]]闭环验证以确保可行性。为提高运行时效率和模型紧凑性，该框架整合了[[FlashAttention]]、[[前瞻解码]]、带[[KV缓存]]量化的[[分页注意力]]等高级[[推理优化]]技术，并采用[[启发式]]重要性指导的[[结构化剪枝]](宽度和深度)来减小[[模型尺寸]]且保持精度。实验表明，该框架能高保真地生成[[模拟器]]验证的[[工艺描述]]，在正确性上超越[[基线方法]]，并能泛化至未见化学品。通过连接[[AI驱动设计]]与[[工业规模]]可行性，这项工作显著缩短了从[[实验室]]发现到[[工厂]]部署的[[研发周期]]。

== 摘要 ==
* '''原文标题'''：Search for a new 17 MeV resonance via $e^+e^-$ annihilation with the PADME Experiment
* '''中文标题'''：通过PADME实验的正负电子湮灭寻找17MeV新共振态
* '''发布日期'''：2025-05-30 17:01:50+00:00
* '''作者'''：F. Bossi, R. De Sangro, C. Di Giulio, E. Di Meco, D. Domenici, G. Finocchiaro, L. G. Foggetta, M. Garattini, P. Gianotti, M. Mancini, I. Sarra, T. Spadaro, C. Taruggi, E. Vilucchi, K. Dimitrova, S. Ivanov, Sv. Ivanov, K. Kostova, V. Kozhuharov, R. Simeonov, F. Ferrarotto, E. Leonardi, P. Valente, E. Long, G. C. Organtini, M. Raggi, A. Frankenthal
* '''分类'''：hep-ex
*'''原文链接'''：http://arxiv.org/abs/2505.24797v1
'''中文摘要'''：摘要：弗拉斯蒂[[DA$\Phi$NE]][[直线加速器]]上的[[PADME实验]]通过[[正电子]][[束流]]轰击[[固定靶]]，搜寻质量约17 MeV的假设粒子[[X17]]。束流能量在262至296 MeV间调节，对应[[质心能量]]$\sqrt{s}$覆盖16.4至17.4 MeV范围。当$\sqrt{s}$接近[[X17]]质量时，该粒子应通过$e^+e^-$[[湮灭]][[共振]]产生，导致[[双体末态]]事例数超过[[本底]]预期。束流能量间隔设置为小于[[共振线型]]预期宽度的一半，每个$\sqrt{s}$点的不确定度控制在1%以下。采用[[盲分析]]方法，数据显示在大部分探索[[能区]]与本底预期一致，并在[[参数空间]]未探索区域设定了限制。最显著偏差出现在$\sqrt{s} \approx 16.90$ MeV处，对应[[零假设]]预期下约2个标准差的[[全局显著性]]。

== 摘要 ==
* '''原文标题'''：A Constructive Proof of Existence and Mass Gap for Pure SU(3) Yang-Mills in Four-Dimensional Space-Time
* '''中文标题'''：四维时空中纯SU(3)杨-米尔斯理论存在性与质量隙的构造性证明
* '''发布日期'''：2025-05-30 22:25:19+00:00
* '''作者'''：D. C. Jacobsen
* '''分类'''：physics.gen-ph, 81T08 (Primary) 81T13 (Secondary)
*'''原文链接'''：http://arxiv.org/abs/2506.00284v1
'''中文摘要'''：摘要：本工作提出了一个构造性证明：四维[[时空]]中的纯[[SU(3)]] [[杨-米尔斯理论]]作为非平凡的[[Wightman量子场论]]存在，并展现出严格正的[[质量间隙]]。我们的方法将四维[[规范理论]]嵌入五维[[轨道折调节器]]的零模扇区，该调节器保持[[规范不变性]]和[[反射正性]]。[[威尔逊格点]]上的收敛联合[[聚合物展开]]为连续极限(a→0)和无限体积极限(L→∞)提供了一致控制；[[Osterwalder-Schrader重构]]产生唯一真空的[[Wightman理论]]；非微扰[[BRST/Nielsen论证]]确保[[规范参数独立性]]；严格控制的[[算子积展开]]匹配单圈[[β函数]]数据；五维波动的[[Sturm-Liouville分析]]结合[[转移矩阵]]谱投影，分离出严格正[[胶球质量]]m0。所有步骤均基于[[SU(3)]]的显式[[ε-δ估计]]和[[组合界限]]，在启发式[[物理]]与[[数学证明]]之间不再存在间隙。

== 摘要 ==
* '''原文标题'''：Assessing Future Wind Energy Potential under Climate Change: The Critical Role of Multi-Model Ensembles in Robustness Assessment
* '''中文标题'''：评估气候变化下的未来风能潜力：多模型集成在稳健性评估中的关键作用
* '''发布日期'''：2025-05-30 11:07:18+00:00
* '''作者'''：Andrea Lira-Loarca, Francesco Ferrari, Andrea Mazzino
* '''分类'''：physics.ao-ph
*'''原文链接'''：http://arxiv.org/abs/2505.24463v1
'''中文摘要'''：准确预测[[气候变化]]下的[[风能]]潜力对长期[[能源规划]]至关重要。尽管先前研究强调了[[多模型集合]]的价值，但往往未能充分捕捉与[[风资源]]可靠性相关的不确定性全谱和时态动态。本文基于[[EURO-CORDEX]]计划的21组高分辨率[[RCM]]-[[GCM]]组合大集合，针对[[RCP8.5]]情景评估[[欧洲]]未来风能状况，是迄今最全面的研究之一。突破均值分析框架，我们采用新型[[事件驱动方法]]——通过[[ERA5]]数据衍生的[[百分位阈值]]——分析持续高低[[风速]]事件，捕捉影响[[风机]]性能与[[电网稳定性]]的关键运行条件。为确保统计严谨性，应用[[IPCC AR6]]"方法C"进行稳健性评估，区分[[气候信号]]与[[内部变率]]并量化[[模型一致性]]。研究关键发现：基于有限子集的预测可能导致矛盾或误导性结论，这凸显了[[集合多样性]]的核心作用。空间粒度、时间细节与形式化[[不确定性量化]]的结合，使本研究成为[[气候导向型]]风能研究的重大进展，并为[[弹性]]能源系统设计提供了重要工具。

== 摘要 ==
* '''原文标题'''：AutoChemSchematic AI: A Closed-Loop, Physics-Aware Agentic Framework for Auto-Generating Chemical Process and Instrumentation Diagrams
* '''中文标题'''：AutoChemSchematic AI：闭环物理感知智能体框架，用于自动生成化工工艺与仪表流程图
* '''发布日期'''：2025-05-30 13:32:00+00:00
* '''作者'''：Sakhinana Sagar Srinivas, Shivam Gupta, Venkataramana Runkana
* '''分类'''：cs.LG, cs.AI, cs.IR
*'''原文链接'''：http://arxiv.org/abs/2505.24584v1
'''中文摘要'''：摘要：尽管[[生成式人工智能]]的最新进展加速了新型[[化学品]]和[[材料]]的发现，但将这些发现转化为[[工业规模]]生产仍存在关键瓶颈，因为这需要开发全新的[[化学制造工艺]]。当前的[[人工智能]]方法无法自动生成[[工艺流程图]](PFD)或[[管道仪表图]](PID)，尽管这些图表在[[化学工艺]]放大过程中至关重要且需符合[[工程约束]]。我们提出了一种闭环、物理感知的框架，用于自动生成工业可行的PFD和PID。该框架将面向[[化学工艺]]问答任务的领域专用小规模[[语言模型]](SLM)与[[第一性原理模拟]]相结合，包含三个关键组件：(1)涵盖1,020多种化学品的[[工艺流]]和[[仪表描述]]的分层[[知识图谱]]；(2)通过[[监督微调]](SFT)、[[直接偏好优化]](DPO)和[[检索增强指令调优]](RAIT)在[[合成数据集]]上微调领域专用SLM的[[多阶段训练流程]]；(3)基于[[DWSIM]]的[[模拟器]]闭环验证以确保可行性。为提高运行效率和模型紧凑性，该框架整合了[[FlashAttention]]、[[前瞻解码]]、带[[KV缓存]]量化的[[分页注意力]](PagedAttention)和[[测试时推理缩放]]等高级[[推理优化]]技术，并采用[[启发式]]重要性指导的[[结构化剪枝]](宽度和深度)以最小精度损失减小模型规模。实验表明，该框架能高保真地生成模拟器验证的工艺描述，在正确性上超越[[基线方法]]，并能泛化至未见化学品。通过连接[[AI驱动设计]]与工业规模可行性，这项工作显著缩短了从[[实验室]]发现到[[工厂]]部署的[[研发周期]]。

== 摘要 ==
* '''原文标题'''：Search for a new 17 MeV resonance via $e^+e^-$ annihilation with the PADME Experiment
* '''中文标题'''：通过PADME实验的正负电子湮灭寻找17 MeV新共振态
* '''发布日期'''：2025-05-30 17:01:50+00:00
* '''作者'''：F. Bossi, R. De Sangro, C. Di Giulio, E. Di Meco, D. Domenici, G. Finocchiaro, L. G. Foggetta, M. Garattini, P. Gianotti, M. Mancini, I. Sarra, T. Spadaro, C. Taruggi, E. Vilucchi, K. Dimitrova, S. Ivanov, Sv. Ivanov, K. Kostova, V. Kozhuharov, R. Simeonov, F. Ferrarotto, E. Leonardi, P. Valente, E. Long, G. C. Organtini, M. Raggi, A. Frankenthal
* '''分类'''：hep-ex
*'''原文链接'''：http://arxiv.org/abs/2505.24797v1
'''中文摘要'''：摘要：弗拉斯卡蒂[[DA$\Phi$NE]][[直线加速器]]上的[[PADME实验]]利用[[正电子]][[束流]]轰击[[固定靶]]，搜寻质量约17 MeV的假设粒子[[X17]]。[[束流能量]]在262至296 MeV间调节，对应[[质心能量]]$\sqrt{s}$覆盖16.4至17.4 MeV范围。当$\sqrt{s}$接近[[X17]]质量时，该粒子应通过$e^+e^-$[[湮灭]][[共振]]产生，导致[[双体末态]][[事例数]]超过[[本底]]预期。[[束流能量]]间隔设置为小于[[共振线型]]预期宽度的一半，每个$\sqrt{s}$点实现了低于1%的[[不确定度]]。实验采用[[盲分析法]]，在大部分探索[[能区]][[数据]]与[[本底]]预期一致，并在[[参数空间]]未探索区域设定了限制。最显著偏差出现在$\sqrt{s} \approx 16.90$ MeV处，对应[[零假设]]预期下约2倍[[标准差]]的[[全局显著性]]。

== 摘要 ==
* '''原文标题'''：Assessing Future Wind Energy Potential under Climate Change: The Critical Role of Multi-Model Ensembles in Robustness Assessment
* '''中文标题'''：评估气候变化下的未来风能潜力：多模型集成在稳健性评估中的关键作用
* '''发布日期'''：2025-05-30 11:07:18+00:00
* '''作者'''：Andrea Lira-Loarca, Francesco Ferrari, Andrea Mazzino
* '''分类'''：physics.ao-ph
*'''原文链接'''：http://arxiv.org/abs/2505.24463v1
'''中文摘要'''：准确预测[[气候变化]]下的[[风能]]潜力对长期[[能源规划]]至关重要。尽管先前研究强调了[[多模型集合]]的价值，但往往未能全面捕捉与[[风资源]]可靠性相关的不确定性谱和时态动态。本文提出了迄今最全面的评估之一，利用[[EURO-CORDEX]]倡议的21种高分辨率[[RCM]]-[[GCM]]组合大集合，评估[[RCP8.5]]情景下[[欧洲]]未来风能状况。突破均值分析框架，我们引入基于事件的新方法，通过[[ERA5]]导出的百分位阈值分析持续高低风事件——捕捉影响[[风机]]性能和[[电网]]稳定性的关键运行条件。为确保统计严谨性，我们采用[[IPCC AR6]]的"C方法"进行稳健性评估，区分[[气候信号]]与[[内部变率]]并量化[[模型一致性]]。关键发现表明，基于有限子集的预测可能导致矛盾或误导性结论，这凸显了集合多样性的核心作用。空间粒度、时间细节和形式化[[不确定性量化]]的结合，使本研究成为[[气候知情]]风能研究的重大进展，也为[[弹性能源系统]]设计提供了重要工具。

== 摘要 ==
* '''原文标题'''：Assessing Future Wind Energy Potential under Climate Change: The Critical Role of Multi-Model Ensembles in Robustness Assessment
* '''中文标题'''：评估气候变化下的未来风能潜力：多模型集成在稳健性评估中的关键作用
* '''发布日期'''：2025-05-30 11:07:18+00:00
* '''作者'''：Andrea Lira-Loarca, Francesco Ferrari, Andrea Mazzino
* '''分类'''：physics.ao-ph
*'''原文链接'''：http://arxiv.org/abs/2505.24463v1
'''中文摘要'''：准确预测[[气候变化]]下的[[风能]]潜力对长期[[能源规划]]至关重要。尽管先前研究强调了[[多模型集合]]的价值，但往往未能全面捕捉与[[风资源]]可靠性相关的不确定性谱和[[时态动态]]。本文提出了迄今最全面的评估之一，利用[[EURO-CORDEX]]倡议的21种高分辨率[[RCM]]-[[GCM]]组合大集合，评估[[RCP8.5]]情景下[[欧洲]]未来风能状况。突破均值分析框架，我们引入基于事件的新方法，通过[[ERA5]]衍生的[[百分位]]阈值分析持续高低风事件——捕捉影响[[风机]]性能和[[电网]]稳定性的关键运行条件。为确保统计严谨性，我们采用[[IPCC AR6]]的"C方法"进行稳健性评估，区分[[气候信号]]与[[内部变率]]并量化[[模型一致性]]。关键发现表明，基于有限子集合的预测可能导致矛盾或误导性结论，这凸显了[[集合多样性]]的核心作用。空间粒度、时间细节和形式化[[不确定性量化]]的结合，使本研究成为[[气候知情]]风能研究的重大进展，并为[[弹性能源系统]]设计提供了重要工具。

== 摘要 ==
* '''原文标题'''：A Constructive Proof of Existence and Mass Gap for Pure SU(3) Yang-Mills in Four-Dimensional Space-Time
* '''中文标题'''：四维时空中纯SU(3)杨-米尔斯理论存在性与质量隙的构造性证明
* '''发布日期'''：2025-05-30 22:25:19+00:00
* '''作者'''：D. C. Jacobsen
* '''分类'''：physics.gen-ph, 81T08 (Primary) 81T13 (Secondary)
*'''原文链接'''：http://arxiv.org/abs/2506.00284v1
'''中文摘要'''：摘要：本工作提出了一种构造性证明，证实四维时空中的纯[[SU(3)]] [[杨-米尔斯理论]]作为非平凡的[[Wightman量子场论]]存在，并展现出严格正的[[质量间隙]]。我们的方法通过将四维[[规范理论]]嵌入五维[[轨道折减调节器]]的零模区域（该调节器保持[[规范不变性]]和[[反射正定性]]），利用[[Wilson格点]]上的收敛[[联合聚合物展开]]实现对连续极限(a→0)和无限体积极限(L→∞)的均匀控制；通过[[Osterwalder-Schrader重构]]获得唯一真空的[[Wightman理论]]；采用非微扰[[BRST]]/[[Nielsen论证]]确保[[规范参数独立性]]；通过严格控制的[[算子积展开]]匹配单圈[[β函数]]数据；结合五维涨落的[[Sturm-Liouville分析]]与[[转移矩阵]]谱投影，分离出严格正的[[胶球质量]]m0。所有步骤均基于[[SU(3)]]的显式[[ε-δ估计]]和[[组合界限]]，彻底消除了启发式物理与数学证明之间的鸿沟。

== 摘要 ==
* '''原文标题'''：AutoChemSchematic AI: A Closed-Loop, Physics-Aware Agentic Framework for Auto-Generating Chemical Process and Instrumentation Diagrams
* '''中文标题'''：AutoChemSchematic AI：闭环物理感知自主框架用于化学工艺与仪表图的自动生成
* '''发布日期'''：2025-05-30 13:32:00+00:00
* '''作者'''：Sakhinana Sagar Srinivas, Shivam Gupta, Venkataramana Runkana
* '''分类'''：cs.LG, cs.AI, cs.IR
*'''原文链接'''：http://arxiv.org/abs/2505.24584v1
'''中文摘要'''：摘要：尽管[[生成式AI]]的最新进展加速了新型[[化学品]]和[[材料]]的发现，但将这些发现转化为[[工业规模]]生产仍存在关键瓶颈，因为这需要开发全新的[[化学制造]]流程。当前[[AI]]方法无法自动生成[[工艺流程图]]([[PFD]])或[[管道仪表图]]([[PID]])，尽管这些图表在[[化学工艺]]放大过程中至关重要且需符合[[工程约束]]。我们提出一个闭环、物理感知的框架，用于自动生成工业可行的[[PFD]]和[[PID]]。该框架将面向[[化学工艺]][[QA]]任务训练的[[专业化]][[小型语言模型]]([[SLM]])与[[第一性原理]][[模拟]]相结合，包含三个关键组件：(1)涵盖1,020+种[[化学品]]的[[工艺流]]和[[仪表]]描述的[[分层]][[知识图谱]]；(2)通过[[监督微调]]([[SFT]])、[[直接偏好优化]]([[DPO]])和[[检索增强]][[指令调优]]([[RAIT]])在[[合成数据集]]上微调[[领域专用]][[SLM]]的[[多阶段]][[训练流程]]；(3)基于[[DWSIM]]的[[模拟器]][[闭环]][[验证]]以确保[[可行性]]。为提高[[运行效率]]和[[模型]][[紧凑性]]，框架整合了[[FlashAttention]]、[[前瞻解码]]、带[[KV缓存]][[量化]]的[[分页注意力]]等高级[[推理]][[优化技术]]，并采用[[启发式]][[重要性]][[指导]]的[[结构化]][[剪枝]]([[宽度]]和[[深度]])以最小[[精度]][[损失]]减小[[模型尺寸]]。实验表明，该框架能高保真地生成[[模拟器]][[验证]]的[[工艺描述]]，在[[正确性]]上超越[[基线方法]]，并能[[泛化]]至未见[[化学品]]。通过连接[[AI]][[驱动]][[设计]]与[[工业级]][[可行性]]，该工作显著缩短了从[[实验室]][[发现]]到[[工厂]][[部署]]的[[研发周期]]。