WikiEdge:ArXiv速递/2025-04-08:修订间差异
Updated page by Carole |
Updated page by Carole |
||
第16行: | 第16行: | ||
*'''原文链接''':http://arxiv.org/abs/2504.05776v1 | *'''原文链接''':http://arxiv.org/abs/2504.05776v1 | ||
'''中文摘要''':摘要:求解[[逆散射问题]]常需处理作为约束条件的[[中等到大量]][[偏微分方程]],从而转化为[[优化]]和[[采样]]问题。本文重点研究通过[[地表波场]]测量确定[[层状介质]]中的[[包裹体]],同时量化[[不确定性]]并评估[[波动求解器]]质量的影响。包裹体由描述其[[材料特性]]和[[形状]]的少量[[参数]]表征。我们设计了[[算法]],通过结合[[贝叶斯正则化]]和[[波动约束优化]][[成本泛函]]来估计最可能[[构型]]。特别地,我们基于[[算法微分]]和[[自适应有限元网格]],针对含变化包裹体的[[时变波动方程]]约束,构建了自动[[Levenberg-Marquardt-Fletcher]]型方案。在[[单频]][[合成测试]]中,该方案在[[噪声水平]]递增情况下仅需数次[[迭代]]即可[[收敛]]。为获取其他[[高概率构型]]和[[非对称效应]]的全局视角,我们采用可并行化的[[仿射不变]][[马尔可夫链蒙特卡洛方法]],代价是需求解数百万个[[波动问题]]——这迫使采用[[固定网格]]。虽然[[最优构型]]保持相似,但受[[先验信息]]、噪声水平和层状结构影响,我们发现额外的[[高概率包裹体]],该效应可通过考虑更多[[频率]]来减弱。我们分析了在[[截断层状域]]中采用简单[[非反射边界条件]](已建立[[适定性]]和[[收敛性]]结果)时,[[自适应]]与固定网格对[[计算]]的影响。 | '''中文摘要''':摘要:求解[[逆散射问题]]常需处理作为约束条件的[[中等到大量]][[偏微分方程]],从而转化为[[优化]]和[[采样]]问题。本文重点研究通过[[地表波场]]测量确定[[层状介质]]中的[[包裹体]],同时量化[[不确定性]]并评估[[波动求解器]]质量的影响。包裹体由描述其[[材料特性]]和[[形状]]的少量[[参数]]表征。我们设计了[[算法]],通过结合[[贝叶斯正则化]]和[[波动约束优化]][[成本泛函]]来估计最可能[[构型]]。特别地,我们基于[[算法微分]]和[[自适应有限元网格]],针对含变化包裹体的[[时变波动方程]]约束,构建了自动[[Levenberg-Marquardt-Fletcher]]型方案。在[[单频]][[合成测试]]中,该方案在[[噪声水平]]递增情况下仅需数次[[迭代]]即可[[收敛]]。为获取其他[[高概率构型]]和[[非对称效应]]的全局视角,我们采用可并行化的[[仿射不变]][[马尔可夫链蒙特卡洛方法]],代价是需求解数百万个[[波动问题]]——这迫使采用[[固定网格]]。虽然[[最优构型]]保持相似,但受[[先验信息]]、噪声水平和层状结构影响,我们发现额外的[[高概率包裹体]],该效应可通过考虑更多[[频率]]来减弱。我们分析了在[[截断层状域]]中采用简单[[非反射边界条件]](已建立[[适定性]]和[[收敛性]]结果)时,[[自适应]]与固定网格对[[计算]]的影响。 | ||
== 摘要 == | |||
* '''原文标题''':Greedy Emulators for Nuclear Two-Body Scattering | |||
* '''中文标题''':核二体散射的贪婪仿真器 | |||
* '''发布日期''':2025-04-08 14:34:51+00:00 | |||
* '''作者''':J. M. Maldonado, C. Drischler, R. J. Furnstahl, P. Mlinarić | |||
* '''分类''':nucl-th, hep-ph, nucl-ex, physics.data-an | |||
*'''原文链接''':http://arxiv.org/abs/2504.06092v1 | |||
'''中文摘要''':摘要:[[降基方法]]仿真器在[[低能核物理]]中的应用日益广泛,因其能快速精确采样[[高保真度]]计算结果,从而实现稳健的[[不确定性量化]]。本文基于([[彼得罗夫-伽辽金投影]]),以[[明尼苏达势]]和更现实的[[局域手征势]]为典型测试案例,开发、实现并测试了两种[[模型驱动]]仿真器。[[高保真散射方程]]采用[[矩阵Numerov方法]]求解——该方法将常用于求解特殊[[二阶微分方程]]的[[Numerov递推关系]]重构为[[耦合方程]]的[[线性系统]]。我们应用基于[[降维空间残差]]的新型[[误差估计器]],通过[[主动学习策略]]([[贪婪算法]])选择仿真器的[[训练样本]]("[[快照]]"),并与[[本征正交分解]]([[POD]])方法进行对比。两种方法均支持[[计算高效]]的[[离线-在线分解]],但贪婪算法所需的快照计算量显著减少。这些进展为基于[[手征核子-核子相互作用]]、[[三核子相互作用]]及[[光学模型]]的[[散射可观测量]]仿真奠定了基础,其中[[计算加速]]对[[贝叶斯不确定性量化]]至关重要。我们的仿真器与误差估计器可广泛应用于各类[[线性系统]]。 |
2025年4月9日 (三) 12:10的版本
摘要
- 原文标题:Observation of Transverse Polarization and Determination of Electromagnetic Form Factor of $Λ$ Hyperon at $\sqrt{s}= 3.773$ GeV
- 中文标题:在$\sqrt{s}=3.773$ GeV能区观测Λ超子横向极化并测定其电磁形状因子
- 发布日期:2025-04-08 00:48:01+00:00
- 作者:BESIII Collaboration, M. Ablikim, M. N. Achasov, P. Adlarson, X. C. Ai, R. Aliberti, A. Amoroso, Q. An, Y. Bai, O. Bakina, Y. Ban, H. -R. Bao, V. Batozskaya, K. Begzsuren, N. Berger, M. Berlowski, M. Bertani, D. Bettoni, F. Bianchi, E. Bianco, A. Bortone, I. Boyko, R. A. Briere, A. Brueggemann, H. Cai, M. H. Cai, X. Cai, A. Calcaterra, G. F. Cao, N. Cao, S. A. Cetin, X. Y. Chai, J. F. Chang, G. R. Che, Y. Z. Che, C. H. Chen, Chao Chen, G. Chen, H. S. Chen, H. Y. Chen, M. L. Chen, S. J. Chen, S. L. Chen, S. M. Chen, T. Chen, X. R. Chen, X. T. Chen, X. Y. Chen, Y. B. Chen, Y. Q. Chen, Y. Q. Chen, Z. Chen, Z. J. Chen, Z. K. Chen, S. K. Choi, X. Chu, G. Cibinetto, F. Cossio, J. Cottee-Meldrum, J. J. Cui, H. L. Dai, J. P. Dai, A. Dbeyssi, R. E. de Boer, D. Dedovich, C. Q. Deng, Z. Y. Deng, A. Denig, I. Denysenko, M. Destefanis, F. De Mori, B. Ding, X. X. Ding, Y. Ding, Y. Ding, Y. X. Ding, J. Dong, L. Y. Dong, M. Y. Dong, X. Dong, M. C. Du, S. X. Du, S. X. Du, Y. Y. Duan, P. Egorov, G. F. Fan, J. J. Fan, Y. H. Fan, J. Fang, J. Fang, S. S. Fang, W. X. Fang, Y. Q. Fang, R. Farinelli, L. Fava, F. Feldbauer, G. Felici, C. Q. Feng, J. H. Feng, L. Feng, Q. X. Feng, Y. T. Feng, M. Fritsch, C. D. Fu, J. L. Fu, Y. W. Fu, H. Gao, X. B. Gao, Y. Gao, Y. N. Gao, Y. N. Gao, Y. Y. Gao, S. Garbolino, I. Garzia, P. T. Ge, Z. W. Ge, C. Geng, E. M. Gersabeck, A. Gilman, K. Goetzen, J. D. Gong, L. Gong, W. X. Gong, W. Gradl, S. Gramigna, M. Greco, M. H. Gu, Y. T. Gu, C. Y. Guan, A. Q. Guo, L. B. Guo, M. J. Guo, R. P. Guo, Y. P. Guo, A. Guskov, J. Gutierrez, K. L. Han, T. T. Han, F. Hanisch, K. D. Hao, X. Q. Hao, F. A. Harris, K. K. He, K. L. He, F. H. Heinsius, C. H. Heinz, Y. K. Heng, C. Herold, P. C. Hong, G. Y. Hou, X. T. Hou, Y. R. Hou, Z. L. Hou, H. M. Hu, J. F. Hu, Q. P. Hu, S. L. Hu, T. Hu, Y. Hu, Z. M. Hu, G. S. Huang, K. X. Huang, L. Q. Huang, P. Huang, X. T. Huang, Y. P. Huang, Y. S. Huang, T. Hussain, N. Hüsken, N. in der Wiesche, J. Jackson, Q. Ji, Q. P. Ji, W. Ji, X. B. Ji, X. L. Ji, Y. Y. Ji, Z. K. Jia, D. Jiang, H. B. Jiang, P. C. Jiang, S. J. Jiang, T. J. Jiang, X. S. Jiang, Y. Jiang, J. B. Jiao, J. K. Jiao, Z. Jiao, S. Jin, Y. Jin, M. Q. Jing, X. M. Jing, T. Johansson, S. Kabana, N. Kalantar-Nayestanaki, X. L. Kang, X. S. Kang, M. Kavatsyuk, B. C. Ke, V. Khachatryan, A. Khoukaz, R. Kiuchi, O. B. Kolcu, B. Kopf, M. Kuessner, X. Kui, N. Kumar, A. Kupsc, W. Kühn, Q. Lan, W. N. Lan, T. T. Lei, M. Lellmann, T. Lenz, C. Li, C. Li, C. Li, C. H. Li, C. K. Li, D. M. Li, F. Li, G. Li, H. B. Li, H. J. Li, H. N. Li, Hui Li, J. R. Li, J. S. Li, K. Li, K. L. Li, K. L. Li, L. J. Li, Lei Li, M. H. Li, M. R. Li, P. L. Li, P. R. Li, Q. M. Li, Q. X. Li, R. Li, S. X. Li, T. Li, T. Y. Li, W. D. Li, W. G. Li, X. Li, X. H. Li, X. L. Li, X. Y. Li, X. Z. Li, Y. Li, Y. G. Li, Y. P. Li, Z. J. Li, Z. Y. Li, H. Liang, Y. F. Liang, Y. T. Liang, G. R. Liao, L. B. Liao, M. H. Liao, Y. P. Liao, J. Libby, A. Limphirat, C. C. Lin, D. X. Lin, L. Q. Lin, T. Lin, B. J. Liu, B. X. Liu, C. Liu, C. X. Liu, F. Liu, F. H. Liu, Feng Liu, G. M. Liu, H. Liu, H. B. Liu, H. H. Liu, H. M. Liu, Huihui Liu, J. B. Liu, J. J. Liu, K. Liu, K. Liu, K. Y. Liu, Ke Liu, L. C. Liu, Lu Liu, M. H. Liu, P. L. Liu, Q. Liu, S. B. Liu, T. Liu, W. K. Liu, W. M. Liu, W. T. Liu, X. Liu, X. Liu, X. K. Liu, X. Y. Liu, Y. Liu, Y. Liu, Y. Liu, Y. B. Liu, Z. A. Liu, Z. D. Liu, Z. Q. Liu, X. C. Lou, F. X. Lu, H. J. Lu, J. G. Lu, X. L. Lu, Y. Lu, Y. H. Lu, Y. P. Lu, Z. H. Lu, C. L. Luo, J. R. Luo, J. S. Luo, M. X. Luo, T. Luo, X. L. Luo, Z. Y. Lv, X. R. Lyu, Y. F. Lyu, Y. H. Lyu, F. C. Ma, H. L. Ma, J. L. Ma, L. L. Ma, L. R. Ma, Q. M. Ma, R. Q. Ma, R. Y. Ma, T. Ma, X. T. Ma, X. Y. Ma, Y. M. Ma, F. E. Maas, I. MacKay, M. Maggiora, S. Malde, Q. A. Malik, H. X. Mao, Y. J. Mao, Z. P. Mao, S. Marcello, A. Marshall, F. M. Melendi, Y. H. Meng, Z. X. Meng, G. Mezzadri, H. Miao, T. J. Min, R. E. Mitchell, X. H. Mo, B. Moses, N. Yu. Muchnoi, J. Muskalla, Y. Nefedov, F. Nerling, L. S. Nie, I. B. Nikolaev, Z. Ning, S. Nisar, Q. L. Niu, W. D. Niu, C. Normand, S. L. Olsen, Q. Ouyang, S. Pacetti, X. Pan, Y. Pan, A. Pathak, Y. P. Pei, M. Pelizaeus, H. P. Peng, X. J. Peng, Y. Y. Peng, K. Peters, K. Petridis, J. L. Ping, R. G. Ping, S. Plura, V. Prasad, F. Z. Qi, H. R. Qi, M. Qi, S. Qian, W. B. Qian, C. F. Qiao, J. H. Qiao, J. J. Qin, J. L. Qin, L. Q. Qin, L. Y. Qin, P. B. Qin, X. P. Qin, X. S. Qin, Z. H. Qin, J. F. Qiu, Z. H. Qu, J. Rademacker, C. F. Redmer, A. Rivetti, M. Rolo, G. Rong, S. S. Rong, F. Rosini, Ch. Rosner, M. Q. Ruan, N. Salone, A. Sarantsev, Y. Schelhaas, K. Schoenning, M. Scodeggio, K. Y. Shan, W. Shan, X. Y. Shan, Z. J. Shang, J. F. Shangguan, L. G. Shao, M. Shao, C. P. Shen, H. F. Shen, W. H. Shen, X. Y. Shen, B. A. Shi, H. Shi, J. L. Shi, J. Y. Shi, S. Y. Shi, X. Shi, H. L. Song, J. J. Song, T. Z. Song, W. M. Song, Y. J. Song, Y. X. Song, S. Sosio, S. Spataro, F. Stieler, S. S Su, Y. J. Su, G. B. Sun, G. X. Sun, H. Sun, H. K. Sun, J. F. Sun, K. Sun, L. Sun, S. S. Sun, T. Sun, Y. C. Sun, Y. H. Sun, Y. J. Sun, Y. Z. Sun, Z. Q. Sun, Z. T. Sun, C. J. Tang, G. Y. Tang, J. Tang, J. J. Tang, L. F. Tang, Y. A. Tang, L. Y. Tao, M. Tat, J. X. Teng, J. Y. Tian, W. H. Tian, Y. Tian, Z. F. Tian, I. Uman, B. Wang, B. Wang, Bo Wang, C. Wang, C. Wang, Cong Wang, D. Y. Wang, H. J. Wang, J. J. Wang, K. Wang, L. L. Wang, L. W. Wang, M. Wang, M. Wang, N. Y. Wang, S. Wang, T. Wang, T. J. Wang, W. Wang, W. Wang, W. P. Wang, X. Wang, X. F. Wang, X. J. Wang, X. L. Wang, X. N. Wang, Y. Wang, Y. D. Wang, Y. F. Wang, Y. H. Wang, Y. J. Wang, Y. L. Wang, Y. N. Wang, Y. Q. Wang, Yaqian Wang, Yi Wang, Yuan Wang, Z. Wang, Z. L. Wang, Z. L. Wang, Z. Q. Wang, Z. Y. Wang, D. H. Wei, H. R. Wei, F. Weidner, S. P. Wen, Y. R. Wen, U. Wiedner, G. Wilkinson, M. Wolke, C. Wu, J. F. Wu, L. H. Wu, L. J. Wu, L. J. Wu, Lianjie Wu, S. G. Wu, S. M. Wu, X. Wu, X. H. Wu, Y. J. Wu, Z. Wu, L. Xia, X. M. Xian, B. H. Xiang, D. Xiao, G. Y. Xiao, H. Xiao, Y. L. Xiao, Z. J. Xiao, C. Xie, K. J. Xie, X. H. Xie, Y. Xie, Y. G. Xie, Y. H. Xie, Z. P. Xie, T. Y. Xing, C. F. Xu, C. J. Xu, G. F. Xu, H. Y. Xu, H. Y. Xu, M. Xu, Q. J. Xu, Q. N. Xu, T. D. Xu, W. Xu, W. L. Xu, X. P. Xu, Y. Xu, Y. Xu, Y. C. Xu, Z. S. Xu, F. Yan, H. Y. Yan, L. Yan, W. B. Yan, W. C. Yan, W. H. Yan, W. P. Yan, X. Q. Yan, H. J. Yang, H. L. Yang, H. X. Yang, J. H. Yang, R. J. Yang, T. Yang, Y. Yang, Y. F. Yang, Y. H. Yang, Y. Q. Yang, Y. X. Yang, Y. Z. Yang, M. Ye, M. H. Ye, Z. J. Ye, Junhao Yin, Z. Y. You, B. X. Yu, C. X. Yu, G. Yu, J. S. Yu, L. Q. Yu, M. C. Yu, T. Yu, X. D. Yu, Y. C. Yu, C. Z. Yuan, H. Yuan, J. Yuan, J. Yuan, L. Yuan, S. C. Yuan, X. Q. Yuan, Y. Yuan, Z. Y. Yuan, C. X. Yue, Ying Yue, A. A. Zafar, S. H. Zeng, X. Zeng, Y. Zeng, Y. J. Zeng, Y. J. Zeng, X. Y. Zhai, Y. H. Zhan, A. Q. Zhang, B. L. Zhang, B. X. Zhang, D. H. Zhang, G. Y. Zhang, G. Y. Zhang, H. Zhang, H. Zhang, H. C. Zhang, H. H. Zhang, H. Q. Zhang, H. R. Zhang, H. Y. Zhang, J. Zhang, J. Zhang, J. J. Zhang, J. L. Zhang, J. Q. Zhang, J. S. Zhang, J. W. Zhang, J. X. Zhang, J. Y. Zhang, J. Z. Zhang, Jianyu Zhang, L. M. Zhang, Lei Zhang, N. Zhang, P. Zhang, Q. Zhang, Q. Y. Zhang, R. Y. Zhang, S. H. Zhang, Shulei Zhang, X. M. Zhang, X. Y Zhang, X. Y. Zhang, Y. Zhang, Y. Zhang, Y. T. Zhang, Y. H. Zhang, Y. M. Zhang, Y. P. Zhang, Z. D. Zhang, Z. H. Zhang, Z. L. Zhang, Z. L. Zhang, Z. X. Zhang, Z. Y. Zhang, Z. Y. Zhang, Z. Z. Zhang, Zh. Zh. Zhang, G. Zhao, J. Y. Zhao, J. Z. Zhao, L. Zhao, L. Zhao, M. G. Zhao, N. Zhao, R. P. Zhao, S. J. Zhao, Y. B. Zhao, Y. L. Zhao, Y. X. Zhao, Z. G. Zhao, A. Zhemchugov, B. Zheng, B. M. Zheng, J. P. Zheng, W. J. Zheng, X. R. Zheng, Y. H. Zheng, B. Zhong, C. Zhong, H. Zhou, J. Q. Zhou, J. Y. Zhou, S. Zhou, X. Zhou, X. K. Zhou, X. R. Zhou, X. Y. Zhou, Y. X. Zhou, Y. Z. Zhou, A. N. Zhu, J. Zhu, K. Zhu, K. J. Zhu, K. S. Zhu, L. Zhu, L. X. Zhu, S. H. Zhu, T. J. Zhu, W. D. Zhu, W. D. Zhu, W. J. Zhu, W. Z. Zhu, Y. C. Zhu, Z. A. Zhu, X. Y. Zhuang, J. H. Zou, J. Zu
- 分类:hep-ex
- 原文链接:http://arxiv.org/abs/2504.05584v1
中文摘要:摘要:利用BESIII探测器在BEPCII对撞机上采集的20.3 fb$^{-1}$正负电子对撞数据样本,我们在$\sqrt{s}=3.773$ GeV能点的$e^{+}e^{-}\to{\Lambda}\bar{\Lambda}$衰变过程中,通过纠缠态${\Lambda}-\bar{\Lambda}$对实现了超子横向极化的观测,并完成了$\Lambda$超子电磁形状因子的完整测定。在考虑系统不确定度的情况下,测得电形状因子与磁形状因子的相对相位为$\Delta\Phi=(1.53\pm0.36\pm0.03)$弧度(显著性5.5$\sigma$),该结果表明${\Lambda}\bar{\Lambda}$螺旋度态跃迁振幅间存在非零相位差。此外,我们测量了角分布参数,并发现电形状因子与磁形状因子模量比为$\eta=0.86\pm0.05\pm0.03$,比值$R(s)=|G_{E}(s)/G_{M}(s)|=0.47\pm0.08\pm0.05$,其中第一项为统计不确定度,第二项为系统不确定度。
摘要
- 原文标题:Quantifying uncertainty in inverse scattering problems set in layered environments
- 中文标题:分层环境中反散射问题的不确定性量化
- 发布日期:2025-04-08 07:57:36+00:00
- 作者:Carolina Abugattas, Ana Carpio, Elena Cebrián, Gerardo Oleaga
- 分类:math.NA, cs.NA, math.OC, physics.comp-ph, physics.data-an, physics.geo-ph
- 原文链接:http://arxiv.org/abs/2504.05776v1
中文摘要:摘要:求解逆散射问题常需处理作为约束条件的中等到大量偏微分方程,从而转化为优化和采样问题。本文重点研究通过地表波场测量确定层状介质中的包裹体,同时量化不确定性并评估波动求解器质量的影响。包裹体由描述其材料特性和形状的少量参数表征。我们设计了算法,通过结合贝叶斯正则化和波动约束优化成本泛函来估计最可能构型。特别地,我们基于算法微分和自适应有限元网格,针对含变化包裹体的时变波动方程约束,构建了自动Levenberg-Marquardt-Fletcher型方案。在单频合成测试中,该方案在噪声水平递增情况下仅需数次迭代即可收敛。为获取其他高概率构型和非对称效应的全局视角,我们采用可并行化的仿射不变马尔可夫链蒙特卡洛方法,代价是需求解数百万个波动问题——这迫使采用固定网格。虽然最优构型保持相似,但受先验信息、噪声水平和层状结构影响,我们发现额外的高概率包裹体,该效应可通过考虑更多频率来减弱。我们分析了在截断层状域中采用简单非反射边界条件(已建立适定性和收敛性结果)时,自适应与固定网格对计算的影响。
摘要
- 原文标题:Greedy Emulators for Nuclear Two-Body Scattering
- 中文标题:核二体散射的贪婪仿真器
- 发布日期:2025-04-08 14:34:51+00:00
- 作者:J. M. Maldonado, C. Drischler, R. J. Furnstahl, P. Mlinarić
- 分类:nucl-th, hep-ph, nucl-ex, physics.data-an
- 原文链接:http://arxiv.org/abs/2504.06092v1
中文摘要:摘要:降基方法仿真器在低能核物理中的应用日益广泛,因其能快速精确采样高保真度计算结果,从而实现稳健的不确定性量化。本文基于(彼得罗夫-伽辽金投影),以明尼苏达势和更现实的局域手征势为典型测试案例,开发、实现并测试了两种模型驱动仿真器。高保真散射方程采用矩阵Numerov方法求解——该方法将常用于求解特殊二阶微分方程的Numerov递推关系重构为耦合方程的线性系统。我们应用基于降维空间残差的新型误差估计器,通过主动学习策略(贪婪算法)选择仿真器的训练样本("快照"),并与本征正交分解(POD)方法进行对比。两种方法均支持计算高效的离线-在线分解,但贪婪算法所需的快照计算量显著减少。这些进展为基于手征核子-核子相互作用、三核子相互作用及光学模型的散射可观测量仿真奠定了基础,其中计算加速对贝叶斯不确定性量化至关重要。我们的仿真器与误差估计器可广泛应用于各类线性系统。