WikiEdge:ArXiv速递/2025-06-03：修订间差异
跳转到导航
跳转到搜索
Created page by Carole |
Updated page by Carole |
||
| 第7行： | 第7行： | ||
*'''原文链接'''：http://arxiv.org/abs/2506.03069v1 | *'''原文链接'''：http://arxiv.org/abs/2506.03069v1 | ||
'''中文摘要'''：摘要：本文基于[[费米国家加速器实验室]](FNAL)的[[μ子g-2实验]]在2020至2023年采集的[[数据]]，对正[[μ子]][[磁异常]]$a_{\mu}$进行了最新[[测量]]。该数据集包含的[[统计量]]是我们先前结果的2.5倍以上。通过测量[[μ子]]与[[质子]]在[[存储环]][[磁场]]中的[[进动频率]]比，并结合精确已知的[[基本常数]]比，我们得出新数据集的磁异常值为$a_{\mu} = 116\,592\,0710(162) \times 10^{-12}$（139 ppb），与先前结果合并后为$a_{\mu} = 116\,592\,0705(148) \times 10^{-12}$（127 ppb）。由FNAL测量主导的新实验[[世界平均值]]为$a_{\mu}(\text{exp}) =116\,592\,0715(145) \times 10^{-12}$（124 ppb），该测量将世界平均值的[[精度]]提高了四倍以上。 | '''中文摘要'''：摘要：本文基于[[费米国家加速器实验室]](FNAL)的[[μ子g-2实验]]在2020至2023年采集的[[数据]]，对正[[μ子]][[磁异常]]$a_{\mu}$进行了最新[[测量]]。该数据集包含的[[统计量]]是我们先前结果的2.5倍以上。通过测量[[μ子]]与[[质子]]在[[存储环]][[磁场]]中的[[进动频率]]比，并结合精确已知的[[基本常数]]比，我们得出新数据集的磁异常值为$a_{\mu} = 116\,592\,0710(162) \times 10^{-12}$（139 ppb），与先前结果合并后为$a_{\mu} = 116\,592\,0705(148) \times 10^{-12}$（127 ppb）。由FNAL测量主导的新实验[[世界平均值]]为$a_{\mu}(\text{exp}) =116\,592\,0715(145) \times 10^{-12}$（124 ppb），该测量将世界平均值的[[精度]]提高了四倍以上。 | ||
== 摘要 == | |||
* '''原文标题'''：Usability Evaluation of Cloud for HPC Applications | |||
* '''中文标题'''：高性能计算应用的云可用性评估 | |||
* '''发布日期'''：2025-06-03 10:05:30+00:00 | |||
* '''作者'''：Vanessa Sochat, Daniel Milroy, Abhik Sarkar, Aniruddha Marathe | |||
* '''分类'''：cs.DC, cs.PF | |||
*'''原文链接'''：http://arxiv.org/abs/2506.02709v1 | |||
'''中文摘要'''：摘要：[[人工智能]]的兴起与[[云计算]]的经济主导地位为[[高性能计算]]（[[HPC]]）创造了新的创新交汇点，而[[HPC]]长期以来一直是推动[[科学发现]]的重要力量。除了性能需求外，[[科学工作流]]日益需要[[云环境]]的能力：[[可移植性]]、[[可复现性]]、[[动态性]]和[[自动化]]。随着融合[[云环境]]的出现，研究其对[[HPC]]用例的适配性变得愈发重要。本文通过[[跨平台]]可用性研究，评估了11种不同的[[HPC]]代理应用和[[基准测试]]，覆盖三大[[云平台]]（[[微软Azure]]、[[亚马逊AWS]]和[[谷歌云]]）、六种环境以及两种[[计算配置]]（[[CPU]]与[[GPU]]），并与某大型中心的本地[[HPC集群]]进行对比。我们在所有环境中对应用程序进行了高达28,672个[[CPU]]和256个[[GPU]]的扩展测试。通过展示[[方法论]]与结果，本研究为未来工作提供指导，并为定义[[云]]中运行[[HPC]]工作负载的[[最佳实践]]奠定基础。 | |||
2025年6月4日 (三) 11:20的版本
摘要
- 原文标题：Measurement of the Positive Muon Anomalous Magnetic Moment to 127 ppb
- 中文标题：正μ子反常磁矩的127 ppb精度测量
- 发布日期：2025-06-03 16:46:28+00:00
- 作者：D. P. Aguillard, T. Albahri, D. Allspach, J. Annala, K. Badgley, S. Baeßler, I. Bailey, L. Bailey, E. Barlas-Yucel, T. Barrett, E. Barzi, F. Bedeschi, M. Berz, M. Bhattacharya, H. P. Binney, P. Bloom, J. Bono, E. Bottalico, T. Bowcock, S. Braun, M. Bressler, G. Cantatore, R. M. Carey, B. C. K. Casey, D. Cauz, R. Chakraborty, A. Chapelain, S. Chappa, S. Charity, C. Chen, M. Cheng, R. Chislett, Z. Chu, T. E. Chupp, C. Claessens, F. Confortini, M. E. Convery, S. Corrodi, L. Cotrozzi, J. D. Crnkovic, S. Dabagov, P. T. Debevec, S. Di Falco, G. Di Sciascio, S. Donati, B. Drendel, A. Driutti, M. Eads, A. Edmonds, J. Esquivel, M. Farooq, R. Fatemi, K. Ferraby, C. Ferrari, M. Fertl, A. T. Fienberg, A. Fioretti, D. Flay, S. B. Foster, H. Friedsam, N. S. Froemming, C. Gabbanini, I. Gaines, S. Ganguly, J. George, L. K. Gibbons, A. Gioiosa, K. L. Giovanetti, P. Girotti, W. Gohn, L. Goodenough, T. Gorringe, J. Grange, S. Grant, F. Gray, S. Haciomeroglu, T. Halewood-Leagas, D. Hampai, F. Han, J. Hempstead, D. W. Hertzog, G. Hesketh, E. Hess, A. Hibbert, Z. Hodge, S. Y. Hoh, K. W. Hong, R. Hong, T. Hu, Y. Hu, M. Iacovacci, M. Incagli, S. Israel, P. Kammel, M. Kargiantoulakis, M. Karuza, J. Kaspar, D. Kawall, L. Kelton, A. Keshavarzi, D. S. Kessler, K. S. Khaw, Z. Khechadoorian, B. Kiburg, M. Kiburg, O. Kim, N. Kinnaird, E. Kraegeloh, J. LaBounty, K. R. Labe, M. Lancaster, S. Lee, B. Li, D. Li, L. Li, I. Logashenko, A. Lorente Campos, Z. Lu, A. Lucà, G. Lukicov, A. Lusiani, A. L. Lyon, B. MacCoy, R. Madrak, K. Makino, S. Mastroianni, R. McCarthy, J. P. Miller, S. Miozzi, B. Mitra, J. P. Morgan, W. M. Morse, J. Mott, A. Nath, J. K. Ng, H. Nguyen, Y. Oksuzian, Z. Omarov, W. Osar, R. Osofsky, S. Park, G. Pauletta, J. Peck, G. M. Piacentino, R. N. Pilato, K. T. Pitts, B. Plaster, N. Pohlman, C. C. Polly, D. Počanić, J. Price, B. Quinn, M. U. H. Qureshi, G. Rakness, S. Ramachandran, E. Ramberg, R. Reimann, B. L. Roberts, D. L. Rubin, M. Sakurai, L. Santi, C. Schlesier, A. Schreckenberger, Y. K. Semertzidis, M. Sorbara, J. Stapleton, D. Still, C. Stoughton, D. Stratakis, D. Stöckinger, H. E. Swanson, G. Sweetmore, D. A. Sweigart, M. J. Syphers, Y. Takeuchi, D. A. Tarazona, T. Teubner, A. E. Tewsley-Booth, V. Tishchenko, N. H. Tran, W. Turner, E. Valetov, D. Vasilkova, G. Venanzoni, T. Walton, A. Weisskopf, L. Welty-Rieger, P. Winter, Y. Wu, B. Yu, M. Yucel, E. Zaid, Y. Zeng, C. Zhang
- 分类：hep-ex, nucl-ex
- 原文链接：http://arxiv.org/abs/2506.03069v1
中文摘要：摘要：本文基于费米国家加速器实验室(FNAL)的μ子g-2实验在2020至2023年采集的数据，对正μ子磁异常$a_{\mu}$进行了最新测量。该数据集包含的统计量是我们先前结果的2.5倍以上。通过测量μ子与质子在存储环磁场中的进动频率比，并结合精确已知的基本常数比，我们得出新数据集的磁异常值为$a_{\mu} = 116\,592\,0710(162) \times 10^{-12}$（139 ppb），与先前结果合并后为$a_{\mu} = 116\,592\,0705(148) \times 10^{-12}$（127 ppb）。由FNAL测量主导的新实验世界平均值为$a_{\mu}(\text{exp}) =116\,592\,0715(145) \times 10^{-12}$（124 ppb），该测量将世界平均值的精度提高了四倍以上。
摘要
- 原文标题：Usability Evaluation of Cloud for HPC Applications
- 中文标题：高性能计算应用的云可用性评估
- 发布日期：2025-06-03 10:05:30+00:00
- 作者：Vanessa Sochat, Daniel Milroy, Abhik Sarkar, Aniruddha Marathe
- 分类：cs.DC, cs.PF
- 原文链接：http://arxiv.org/abs/2506.02709v1
中文摘要：摘要：人工智能的兴起与云计算的经济主导地位为高性能计算（HPC）创造了新的创新交汇点，而HPC长期以来一直是推动科学发现的重要力量。除了性能需求外，科学工作流日益需要云环境的能力：可移植性、可复现性、动态性和自动化。随着融合云环境的出现，研究其对HPC用例的适配性变得愈发重要。本文通过跨平台可用性研究，评估了11种不同的HPC代理应用和基准测试，覆盖三大云平台（微软Azure、亚马逊AWS和谷歌云）、六种环境以及两种计算配置（CPU与GPU），并与某大型中心的本地HPC集群进行对比。我们在所有环境中对应用程序进行了高达28,672个CPU和256个GPU的扩展测试。通过展示方法论与结果，本研究为未来工作提供指导，并为定义云中运行HPC工作负载的最佳实践奠定基础。