WikiEdge:ArXiv速递/2024-09-04:修订间差异
Updated page by Carole |
Updated page by Carole |
||
第4行: | 第4行: | ||
===[[WikiEdge:ArXiv-2409.02852v1|ArXiv-2409.02852v1]]=== | ===[[WikiEdge:ArXiv-2409.02852v1|ArXiv-2409.02852v1]]=== | ||
{{WikiEdge:ArXiv-2409.02852v1/abs}} | {{WikiEdge:ArXiv-2409.02852v1/abs}} | ||
===[[WikiEdge:ArXiv-2409.02711v1|ArXiv-2409.02711v1]]=== | |||
{{WikiEdge:ArXiv-2409.02711v1/abs}} |
2024年9月5日 (四) 22:18的版本
ArXiv-2409.02493v1
- 标题:Toward Realistic Solar Flare Models: An explicit Particle-In-Cell solver in the DISPATCH framework
- 中文标题:迈向现实的太阳耀斑模型:DISPATCH框架中的显式粒子网格求解器
- 发布日期:2024-09-04T07:42:53+00:00
- 作者:Michael Haahr, Boris V. Gudiksen, Åke Nordlund
- 分类:astro-ph.SR, physics.plasm-ph, physics.space-ph
- 原文链接:http://arxiv.org/abs/2409.02493v1
摘要:背景:模拟太阳耀斑涉及大规模动力学和小规模磁重联,面临重大计算挑战。 目的:本研究旨在在DISPATCH框架内开发一个显式粒子-网格(PIC)求解器,以模拟太阳日冕中的小尺度动力学过程。本研究是系列研究中的第一步,最终目标是开发一个混合PIC-MHD求解器,以模拟太阳耀斑。 方法:该PIC求解器受PhotonPlasma代码的启发,在无碰撞状态下使用显式时间和空间交错技术求解Vlasov-Maxwell方程。验证包括单元测试、等离子体频率恢复、双流不稳定性和电流片动力学。 结果:验证测试确认了求解器在模拟等离子体动力学和电磁场方面的准确性和稳健性。 结论:将显式PIC求解器集成到DISPATCH框架中是弥合大尺度和小尺度动力学之间差距的第一步,为未来的太阳物理研究提供了一个稳健的平台。
ArXiv-2409.02852v1
- 标题:Key Compression Limits for $k$-Minimum Value Sketches
- 中文标题:$k$-最小值草图的密钥压缩极限
- 发布日期:2024-09-04T16:22:58+00:00
- 作者:Charlie Dickens, Eric Bax, Alexander Saydakov
- 分类:cs.DS, cs.IT, math.IT
- 原文链接:http://arxiv.org/abs/2409.02852v1
摘要:$k$-最小值(kmv)数据草图算法存储通过对数据集中的项目进行哈希生成的$k$个最小哈希键。我们表明,基于键的排序和编码连续差异的压缩方法可以在预期存储节省中提供每个键$O(\log n)$位的节省,其中$n$是数据集中唯一值的数量。我们还表明,对于$n$个随机值的$k$个最小值,$O(\log n)$位的预期节省是任何形式压缩的最优值——该编码方法在所有编码kmv草图的方法中是近乎最优的。我们提出了一种实用的压缩方法,表明其计算效率高,并展示其在实践中的平均节省与基于熵的理论最小值相差约5%。我们验证了我们的方法优于现成的压缩方法,并展示了其在使用真实和合成数据时的实用性。
ArXiv-2409.02711v1
- 标题:Creating a Gen-AI based Track and Trace Assistant MVP (SuperTracy) for PostNL
- 中文标题:创建一个基于生成式人工智能的追踪助手 MVP (SuperTracy) 用于 PostNL
- 发布日期:2024-09-04T13:49:19+00:00
- 作者:Mohammad Reshadati
- 分类:cs.AI
- 原文链接:http://arxiv.org/abs/2409.02711v1
摘要:在生成性人工智能领域的发展为公司带来了许多机会,例如提高客户服务效率和自动化任务。荷兰最大的包裹和电子商务公司PostNL希望利用生成性人工智能来增强包裹的追踪和追踪沟通。在实习期间,创建了一个最小可行产品(MVP),以展示使用生成性人工智能技术的价值,增强包裹追踪,分析包裹的旅程,并能够以易于理解的方式进行沟通。主要目标是开发一个内部的基于大语言模型(LLM)系统,减少对外部平台的依赖,并建立公司内部专门的生成性人工智能团队的可行性。该多代理LLM系统旨在构建包裹旅程故事,并以更高的效率和准确性识别物流中断。研究涉及部署一个复杂的AI驱动通信系统,采用增强检索生成(RAG)以提高响应精度,并优化针对特定领域任务的大语言模型(LLM)。MVP成功实施了一个名为SuperTracy的多代理开源LLM系统。SuperTracy能够自主管理广泛的用户查询并改善内部知识处理。结果和评估展示了技术创新和可行性,特别是在包裹追踪和追踪沟通方面,超出了最初的预期。这些进展突显了AI驱动解决方案在物流中的潜力,暗示了在PostNL运营框架内进一步改进和更广泛实施的许多机会。