WikiEdge:ArXiv速递/2024-08-29

来自WikiEdge
Mingli（留言 | 贡献）2024年8月31日 (六) 14:56的版本 （→‎ArXiv-2408.16732v1）
跳转到导航 跳转到搜索

ArXiv-2408.16413v1

  • 标题：Chemometrics-aided Surface-enhanced Raman spectrometric detection and quantification of GH and TE hormones in blood
  • 中文标题：化学计量学辅助的表面增强拉曼光谱检测和定量血液中的生长激素和睾酮激素
  • 发布日期：2024-08-29 10:20:32+00:00
  • 作者：Annah M. Ondieki, Zephania Birech, Kenneth A. Kaduki, Peter W. Mwangi, Moses Juma, Boniface M. Chege
  • 分类：physics.med-ph, physics.optics
  • 原文链接：http://arxiv.org/abs/2408.16413v1

摘要：这项工作探讨了将表面增强拉曼光谱（SERS）与人工神经网络（ANN）模型相结合，以检测和定量施加于斯普拉格-道利（SD）大鼠血液中的生长激素（GH）和睾酮（TE）。使用785 nm激光激发，从注射了GH、TE、两种激素及未注射对照的SD大鼠血样中记录了SERS光谱。样本与在蒸馏水中合成的银纳米颗粒（AgNPs）混合，涂抹在显微镜载玻片上并风干。结果显示的SERS光谱在不同激素的情况下表现出相似的特征，强度变化揭示了在658、798、878、914、932、1064、1190、1354、1410和1658 cm-1处的特定谱带。主成分分析（PCA）表明，围绕1378 cm-1（所有组）、658和1614 cm-1（GH注射大鼠）等谱带的强度变化是时间依赖的，其他谱带则对应不同的激素组合。这些变化反映了激素注射引起的微妙生化变化。ANN模型在用不同激素浓度掺杂的血液的六个PCA得分上训练后，显示出高准确性，决定系数大于87.71%，均方根误差（RMSE）值低于0.6436。注射大鼠的激素水平最初增加，随后下降，这一趋势得到了ELISA试剂盒的确认。尽管ELISA和SERS产生了相似的结果，但SERS提供了快速分析（约两分钟）、简单的样本准备、小样本体积和对激素的非特异性等优势。这表明，结合ANN模型的SERS可以用于检测外源性运动兴奋剂。这些发现扩展了SERS在运动科学、临床诊断和生物医学研究中的潜在应用。

ArXiv-2408.16709v1

  • 标题：Hydrogen reaction rate modeling based on convolutional neural network for large eddy simulation
  • 中文标题：氢反应速率建模基于卷积神经网络的大涡模拟
  • 发布日期：2024-08-29 17:05:10+00:00
  • 作者：Quentin Malé, Corentin J Lapeyre, Nicolas Noiray
  • 分类：cs.CE
  • 原文链接：http://arxiv.org/abs/2408.16709v1

摘要：这篇论文建立了一个基于数据驱动的建模框架，用于稀氢（H2）-空气反应速率的湍流反应流的大涡模拟（LES）。这特别具有挑战性，因为H2分子的扩散速度远快于热量，导致燃烧速率的巨大变化、亚滤波尺度上的热扩散不稳定性以及复杂的湍流-化学反应相互作用。我们基于数据驱动的方法利用卷积神经网络（CNN），训练以近似从模拟的LES数据中获得的滤波燃烧速率。首先，计算五种不同的稀混合湍流H2-空气火焰的直接数值模拟（DNS），每种都有独特的全局当量比。其次，DNS快照被滤波和下采样，以模拟LES数据。第三，训练CNN以近似燃烧速率，作为LES标量量的函数：进展变量、局部当量比和由于滤波导致的火焰加厚。最后，评估CNN模型在训练过程中从未见过的测试解上的表现。该模型以非常高的准确度检索燃烧速率。它还在两个滤波和下采样参数以及两个全局当量比上进行了测试，这些比率在训练过程中未使用。对于这些插值案例，尽管这些案例未包含在训练数据集中，模型仍以低误差近似燃烧速率。这项先验研究表明，所提出的数据驱动机器学习框架能够应对建模稀混合H2-空气燃烧速率的挑战。这为碳中和氢燃烧系统的模拟开辟了一种新的建模范式。

ArXiv-2408.16676v1

  • 标题：Pseudogap regime of the unitary Fermi gas with lattice auxiliary-field quantum Monte Carlo in the continuum limit
  • 中文标题：单位费米气体的伪能隙区域：在连续极限下的晶格辅助场量子蒙特卡罗研究
  • 发布日期：2024-08-29 16:23:35+00:00
  • 作者：S. Jensen, C. N. Gilbreth, Y. Alhassid
  • 分类：cond-mat.quant-gas, cond-mat.supr-con, hep-lat, nucl-th
  • 原文链接：http://arxiv.org/abs/2408.16676v1

摘要：单位费米气体（UFG）是一个由两种粒子（自旋-1/2）费米子组成的强关联系统，具有短程吸引相互作用，通常用接触相互作用来建模，因而在不同学科中引起了广泛关注。UFG被视为强关联超流体的典范，已被广泛研究，理论与实验之间通常存在良好的一致性。然而，超流体临界温度$T_c$之上的伪能隙区域的范围仍然在理论和实验上存在争议。在这里，我们使用有限温度格点辅助场量子蒙特卡罗（AFMC）方法，在固定粒子数的规范系综中研究UFG在超流体相变过程中的热力学性质。我们将格点AFMC结果外推到连续时间和连续极限，从而消除了先前AFMC研究中与有限填充因子相关的系统误差。我们确定临界温度为$T_c=0.16(1)\, T_{F}$。对于研究的最大粒子数$N=114$，能量波动配对间隙在配对尺度温度$T^{*}\approx 0.2\,T_F$以上被抑制。自旋易变性在$T_c$以上显示出适度抑制，自旋间隙温度为$T_s\approx 0.2 \,T_F$。我们还计算了自由能波动配对间隙，与能量波动间隙相比，统计误差显著减少，从而在有限大小系统中清晰地显示出配对相关性的特征。所有结果表明，伪能隙区域较窄，伪能隙特征在温度低于$T^{*}\approx 0.2 \, T_F$时出现。自由能间隙的统计误差减少使得在低温下进行外推成为可能，从而估计零温度配对间隙$\Delta_E = 0.576(24) \, \epsilon_F$。

ArXiv-2408.16496v1

  • 标题：An automated and time efficient framework for simulation of coronary blood flow under steady and pulsatile conditions
  • 中文标题：自动化和时间高效的冠状动脉血流模拟框架在稳态和脉动条件下的应用
  • 发布日期：2024-08-29 12:51:20+00:00
  • 作者：Guido Nannini, Simone Saitta, Luca Mariani, Riccardo Maragna, Andrea Baggiano, Saima Mushtaq, Gianluca Pontone, Alberto Redaelli
  • 分类：physics.med-ph, cs.NA, math.NA
  • 原文链接：http://arxiv.org/abs/2408.16496v1

摘要：分数流储备（FFR）是诊断冠状动脉疾病（CAD）的金标准。FFRCT利用计算流体动力学（CFD）通过模拟从计算机断层扫描（CT）重建的几何形状中的冠状动脉流动，非侵入性地评估FFR。然而，它面临着计算成本和定义患者特定边界条件（BCs）不确定性的问题。我们研究了使用时间平均的稳态边界条件来替代脉动边界条件，以减少计算时间，并部署了一种自适应方法来调整BCs以匹配患者临床数据。我们从CAD患者的CT图像中重建了133条冠状动脉。对于每条血管，进行了侵入性FFR测量。CFD的稳态边界条件分两步定义：i）从临床和图像导出的数据中推断出静息边界条件；ii）从静息条件计算出高血流边界条件。在模拟过程中，流量在迭代调整中，直到与患者主动脉压力匹配。脉动边界条件使用稳态边界条件的收敛值进行定义。计算了特定病变的血流动力学指标，并在建议手术的患者组与未建议手术的患者组之间进行了比较。整个流程被实现为一个简单、完全自动化的过程。稳态和脉动FFRCT显示出强相关性（r=0.988），并与侵入性FFR相关（r=0.797）。两种方法预测的压力和FFRCT场之间的逐点差异分别低于0.01和0.02。两种方法均表现出良好的诊断性能：稳态和脉动情况下的准确率分别为0.860和0.864，AUC分别为0.923和0.912。稳态边界条件CFD的计算时间约为脉动情况的30倍更低。这项工作证明了在冠状动脉中使用稳态边界条件CFD计算FFRCT的可行性及其在完全自动化流程中的表现。

ArXiv-2408.16515v1

  • 标题：CanCal: Towards Real-time and Lightweight Ransomware Detection and Response in Industrial Environments
  • 中文标题：CanCal：面向工业环境的实时轻量级勒索软件检测与响应
  • 发布日期：2024-08-29 13:26:26+00:00
  • 作者：Shenao Wang, Feng Dong, Hangfeng Yang, Jingheng Xu, Haoyu Wang
  • 分类：cs.CR
  • 原文链接：http://arxiv.org/abs/2408.16515v1

摘要：勒索软件攻击已成为最重要的网络安全威胁之一。尽管已有众多检测和防御方法被提出，但现有方法在大规模工业应用中面临两个基本限制：不可接受的系统开销和严重的警报疲劳。为了解决这些挑战，我们提出了CanCal，一个实时且轻量级的勒索软件检测系统。具体而言，CanCal通过监控层选择性地过滤可疑进程，然后进行深入的行为分析，以将勒索软件活动与良性操作隔离，从而最小化警报疲劳，同时确保轻量级的计算和存储开销。在一个大规模工业环境中的实验结果（1,761个勒索软件样本，约300万事件，持续测试5个月）表明，CanCal的效果与最先进的技术相当，同时在30毫秒内实现快速推理，并在最长3秒内实现实时响应。CanCal将平均CPU利用率降低了91.04%（从6.7%降至0.6%），将峰值CPU利用率降低了76.69%（从26.6%降至6.2%），同时避免了76.50%（从3,192降至750）的安全分析师检查工作。到本文撰写时，CanCal已被集成到一款商业产品中，并成功部署在332万个终端上超过一年。从2023年3月到2024年4月，CanCal成功检测并阻止了61起勒索软件攻击，证明了CanCal在应对复杂勒索软件威胁方面的有效性。

ArXiv-2408.16611v1

  • 标题：Reconciling Kubo and Keldysh Approaches to Fermi-Sea-Dependent Nonequilibrium Observables: Application to Spin Hall Current and Spin-Orbit Torque in Spintronics
  • 中文标题：论文标题翻译成中文是：调和Kubo和Keldysh方法对费米海依赖的非平衡可观测量的研究：在自旋电子学中对自旋霍尔电流和自旋轨道力的应用
  • 发布日期：2024-08-29 15:19:06+00:00
  • 作者：Simao M. Joao, Marko D. Petrovic, J. M. Viana Parente Lopes, Aires Ferreira, Branislav K. Nikolic
  • 分类：cond-mat.mes-hall, physics.app-ph, physics.comp-ph
  • 原文链接：http://arxiv.org/abs/2408.16611v1

摘要：量子输运研究固体中的自旋依赖现象通常采用Kubo或Keldysh公式来描述线性响应区间的稳态密度矩阵。将其与感兴趣的算符（例如自旋密度、自旋电流密度或自旋扭矩）进行迹运算，可以得到实验可测量的期望值。对于这些局部量，这些公式要求对Template:\em Fermi面和Template:\em Fermi海量子态的多个流形进行求和。然而，文献中关于这两种公式在应用于同一系统时所产生的截然不同的物理现象的争论一直存在。在这里，我们使用具有近邻诱导自旋轨道和磁交换效应的无限大石墨烯作为测试平台，重新审视这个问题。通过将该系统分割为半无限导体和中央活跃区域，采用Landauer两端口量子输运的思路，我们证明了Kubo和Keldysh方法在计算自旋霍尔电流密度和自旋轨道扭矩时在干净和无序极限下的Template:\em 数值精确等价性。调和这两种方法的关键在于我们为以下内容开发的数值框架：(Template:\em i) 评估连接到半无限导体的Kubo（-Bastin）公式，确保连续的能量谱并避免先前计算中对现象学展宽的需求；以及 (Template:\em ii) 在Keldysh方法中对Fermi海项的正确评估，即使在无序情况下，也Template:\em 必须包括中央活跃区域的电压降。

ArXiv-2408.16671v1

  • 标题：Desingularization of time-periodic vortex motion in bounded domains via KAM tools
  • 中文标题：时间周期涡旋运动在有界域中的去奇异化：KAM工具的应用
  • 发布日期：2024-08-29 16:20:46+00:00
  • 作者：Zineb Hassainia, Taoufik Hmidi, Emeric Roulley
  • 分类：math.AP
  • 原文链接：http://arxiv.org/abs/2408.16671v1

摘要：我们考察在一个简单连通的有界域内的欧拉方程。单个点涡旋的动力学由哈密顿系统支配，其大多数能量水平对应于时间周期性运动。我们证明，对于单个点涡旋，在某些非退化条件下，可以将大多数这些轨迹去奇异化为时间周期性的集中涡旋斑块。我们提供了这些非退化条件的具体例子，这些条件在包括凸域在内的广泛类别的域中得以满足。证明使用了纳什-莫泽方案和KAM技术，灵感来源于Hassainia-Hmidi-Masmoudi关于跳跃运动的近期工作，并结合了复几何工具。此外，我们采用涡旋复制机制来生成多个涡旋的同步时间周期性运动。这种方法可以应用于去奇异化两个对称偶极子（具有四个涡旋）在圆盘或矩形中的运动。根据我们的知识，这是首次结果显示在一般简单连通有界域内欧拉方程存在非刚性时间周期性运动。这解决了文献中提到的一个开放问题，例如由Bartsch-Sacchet提出的。

ArXiv-2408.16678v1

  • 标题：Digital stabilization of an IQ modulator in the carrier suppressed single side-band (CS-SSB) mode for atom interferometry
  • 中文标题：数字稳定化载波抑制单边带模式下的IQ调制器相位偏差用于原子干涉仪
  • 发布日期：2024-08-29 16:26:17+00:00
  • 作者：Arif Ullah, Samuel Legge, John D. Close, Simon A. Haine, Ryan J. Thomas
  • 分类：physics.optics, physics.ins-det, quant-ph
  • 原文链接：http://arxiv.org/abs/2408.16678v1

摘要：我们提出了一种全数字化的方法，用于稳定电光I/Q调制器在载波抑制单边带调制中的相位偏差。基于S. Wald等人在《应用光学》上发表的方法（2023年，62卷，1-7页），我们使用Red Pitaya STEMlab 125-14平台数字生成和解调一个辅助射频信号，其与光载波的拍频探测I/Q调制器的相位不平衡。我们实现了一种多输入多输出的积分反馈控制器，该控制器考虑了相位偏差中不可避免的交叉耦合，以将误差信号锁定在零值，确保光功率波动对相位稳定性没有影响。我们展示了在+3.4 GHz频率下，相对于所需边带，光载波的抑制超过23 dB，持续时间达到15小时，并在20°C的温度变化范围内保持稳定。

ArXiv-2408.16646v1

  • 标题：Study of the rare decay $J/ψ\to μ^+μ^-μ^+μ^-$
  • 中文标题：这篇论文的标题翻译成中文是：稀有衰变 $J/ψ\to μ^+μ^-μ^+μ^-$ 的研究
  • 发布日期：2024-08-29 15:52:50+00:00
  • 作者：LHCb collaboration, R. Aaij, A. S. W. Abdelmotteleb, C. Abellan Beteta, F. Abudinén, T. Ackernley, A. A. Adefisoye, B. Adeva, M. Adinolfi, P. Adlarson, C. Agapopoulou, C. A. Aidala, Z. Ajaltouni, S. Akar, K. Akiba, P. Albicocco, J. Albrecht, F. Alessio, M. Alexander, Z. Aliouche, P. Alvarez Cartelle, R. Amalric, S. Amato, J. L. Amey, Y. Amhis, L. An, L. Anderlini, M. Andersson, A. Andreianov, P. Andreola, M. Andreotti, D. Andreou, A. Anelli, D. Ao, F. Archilli, M. Argenton, S. Arguedas Cuendis, A. Artamonov, M. Artuso, E. Aslanides, R. Ataíde Da Silva, M. Atzeni, B. Audurier, D. Bacher, I. Bachiller Perea, S. Bachmann, M. Bachmayer, J. J. Back, P. Baladron Rodriguez, V. Balagura, W. Baldini, L. Balzani, H. Bao, J. Baptista de Souza Leite, C. Barbero Pretel, M. Barbetti, I. R. Barbosa, R. J. Barlow, M. Barnyakov, S. Barsuk, W. Barter, M. Bartolini, J. Bartz, J. M. Basels, S. Bashir, G. Bassi, B. Batsukh, P. B. Battista, A. Bay, A. Beck, M. Becker, F. Bedeschi, I. B. Bediaga, N. B. Behling, S. Belin, V. Bellee, K. Belous, I. Belov, I. Belyaev, G. Benane, G. Bencivenni, E. Ben-Haim, A. Berezhnoy, R. Bernet, S. Bernet Andres, A. Bertolin, C. Betancourt, F. Betti, J. Bex, Ia. Bezshyiko, J. Bhom, M. S. Bieker, N. V. Biesuz, P. Billoir, A. Biolchini, M. Birch, F. C. R. Bishop, A. Bitadze, A. Bizzeti, T. Blake, F. Blanc, J. E. Blank, S. Blusk, V. Bocharnikov, J. A. Boelhauve, O. Boente Garcia, T. Boettcher, A. Bohare, A. Boldyrev, C. S. Bolognani, R. Bolzonella, N. Bondar, F. Borgato, S. Borghi, M. Borsato, J. T. Borsuk, S. A. Bouchiba, M. Bovill, T. J. V. Bowcock, A. Boyer, C. Bozzi, A. Brea Rodriguez, N. Breer, J. Brodzicka, A. Brossa Gonzalo, J. Brown, D. Brundu, E. Buchanan, A. Buonaura, L. Buonincontri, A. T. Burke, C. Burr, A. Butkevich, J. S. Butter, J. Buytaert, W. Byczynski, S. Cadeddu, H. Cai, A. C. Caillet, R. Calabrese, S. Calderon Ramirez, L. Calefice, S. Cali, M. Calvi, M. Calvo Gomez, P. Camargo Magalhaes, J. I. Cambon Bouzas, P. Campana, D. H. Campora Perez, A. F. Campoverde Quezada, S. Capelli, L. Capriotti, R. Caravaca-Mora, A. Carbone, L. Carcedo Salgado, R. Cardinale, A. Cardini, P. Carniti, L. Carus, A. Casais Vidal, R. Caspary, G. Casse, J. Castro Godinez, M. Cattaneo, G. Cavallero, V. Cavallini, S. Celani, D. Cervenkov, S. Cesare, A. J. Chadwick, I. Chahrour, X. Chang, M. Charles, Ph. Charpentier, E. Chatzianagnostou, C. A. Chavez Barajas, M. Chefdeville, C. Chen, S. Chen, Z. Chen, A. Chernov, S. Chernyshenko, X. Chiotopoulos, V. Chobanova, S. Cholak, M. Chrzaszcz, A. Chubykin, V. Chulikov, P. Ciambrone, X. Cid Vidal, G. Ciezarek, P. Cifra, P. E. L. Clarke, M. Clemencic, H. V. Cliff, J. Closier, C. Cocha Toapaxi, V. Coco, J. Cogan, E. Cogneras, L. Cojocariu, P. Collins, T. Colombo, M. C. Colonna, A. Comerma-Montells, L. Congedo, A. Contu, N. Cooke, I. Corredoira, A. Correia, G. Corti, J. J. Cottee Meldrum, B. Couturier, D. C. Craik, M. Cruz Torres, E. Curras Rivera, R. Currie, C. L. Da Silva, S. Dadabaev, L. Dai, X. Dai, E. Dall'Occo, J. Dalseno, C. D'Ambrosio, J. Daniel, A. Danilina, P. d'Argent, A. Davidson, J. E. Davies, A. Davis, O. De Aguiar Francisco, C. De Angelis, F. De Benedetti, J. de Boer, K. De Bruyn, S. De Capua, M. De Cian, U. De Freitas Carneiro Da Graca, E. De Lucia, J. M. De Miranda, L. De Paula, M. De Serio, P. De Simone, F. De Vellis, J. A. de Vries, F. Debernardis, D. Decamp, V. Dedu, L. Del Buono, B. Delaney, H. -P. Dembinski, J. Deng, V. Denysenko, O. Deschamps, F. Dettori, B. Dey, P. Di Nezza, I. Diachkov, S. Didenko, S. Ding, L. Dittmann, V. Dobishuk, A. D. Docheva, C. Dong, A. M. Donohoe, F. Dordei, A. C. dos Reis, A. D. Dowling, W. Duan, P. Duda, M. W. Dudek, L. Dufour, V. Duk, P. Durante, M. M. Duras, J. M. Durham, O. D. Durmus, A. Dziurda, A. Dzyuba, S. Easo, E. Eckstein, U. Egede, A. Egorychev, V. Egorychev, S. Eisenhardt, E. Ejopu, L. Eklund, M. Elashri, J. Ellbracht, S. Ely, A. Ene, E. Epple, J. Eschle, S. Esen, T. Evans, F. Fabiano, L. N. Falcao, Y. Fan, B. Fang, L. Fantini, M. Faria, K. Farmer, D. Fazzini, L. Felkowski, M. Feng, M. Feo, A. Fernandez Casani, M. Fernandez Gomez, A. D. Fernez, F. Ferrari, F. Ferreira Rodrigues, M. Ferrillo, M. Ferro-Luzzi, S. Filippov, R. A. Fini, M. Fiorini, K. L. Fischer, D. S. Fitzgerald, C. Fitzpatrick, F. Fleuret, M. Fontana, L. F. Foreman, R. Forty, D. Foulds-Holt, M. Franco Sevilla, M. Frank, E. Franzoso, G. Frau, C. Frei, D. A. Friday, J. Fu, Q. Fuehring, Y. Fujii, T. Fulghesu, E. Gabriel, G. Galati, M. D. Galati, A. Gallas Torreira, D. Galli, S. Gambetta, M. Gandelman, P. Gandini, B. Ganie, H. Gao, R. Gao, Y. Gao, Y. Gao, Y. Gao, M. Garau, L. M. Garcia Martin, P. Garcia Moreno, J. García Pardiñas, K. G. Garg, L. Garrido, C. Gaspar, R. E. Geertsema, L. L. Gerken, E. Gersabeck, M. Gersabeck, T. Gershon, Z. Ghorbanimoghaddam, L. Giambastiani, F. I. Giasemis, V. Gibson, H. K. Giemza, A. L. Gilman, M. Giovannetti, A. Gioventù, L. Girardey, P. Gironella Gironell, C. Giugliano, M. A. Giza, E. L. Gkougkousis, F. C. Glaser, V. V. Gligorov, C. Göbel, E. Golobardes, D. Golubkov, A. Golutvin, A. Gomes, S. Gomez Fernandez, F. Goncalves Abrantes, M. Goncerz, G. Gong, J. A. Gooding, I. V. Gorelov, C. Gotti, J. P. Grabowski, L. A. Granado Cardoso, E. Graugés, E. Graverini, L. Grazette, G. Graziani, A. T. Grecu, L. M. Greeven, N. A. Grieser, L. Grillo, S. Gromov, C. Gu, M. Guarise, M. Guittiere, V. Guliaeva, P. A. Günther, A. -K. Guseinov, E. Gushchin, Y. Guz, T. Gys, K. Habermann, T. Hadavizadeh, C. Hadjivasiliou, G. Haefeli, C. Haen, J. Haimberger, M. Hajheidari, G. H. Hallett, M. M. Halvorsen, P. M. Hamilton, J. Hammerich, Q. Han, X. Han, S. Hansmann-Menzemer, L. Hao, N. Harnew, M. Hartmann, S. Hashmi, J. He, F. Hemmer, C. Henderson, R. D. L. Henderson, A. M. Hennequin, K. Hennessy, L. Henry, J. Herd, P. Herrero Gascon, J. Heuel, A. Hicheur, G. Hijano Mendizabal, D. Hill, S. E. Hollitt, J. Horswill, R. Hou, Y. Hou, N. Howarth, J. Hu, J. Hu, W. Hu, X. Hu, W. Huang, W. Hulsbergen, R. J. Hunter, M. Hushchyn, D. Hutchcroft, D. Ilin, P. Ilten, A. Inglessi, A. Iniukhin, A. Ishteev, K. Ivshin, R. Jacobsson, H. Jage, S. J. Jaimes Elles, S. Jakobsen, E. Jans, B. K. Jashal, A. Jawahery, V. Jevtic, E. Jiang, X. Jiang, Y. Jiang, Y. J. Jiang, M. John, A. John Rubesh Rajan, D. Johnson, C. R. Jones, T. P. Jones, S. Joshi, B. Jost, J. Juan Castella, N. Jurik, I. Juszczak, D. Kaminaris, S. Kandybei, M. Kane, Y. Kang, C. Kar, M. Karacson, D. Karpenkov, A. Kauniskangas, J. W. Kautz, F. Keizer, M. Kenzie, T. Ketel, B. Khanji, A. Kharisova, S. Kholodenko, G. Khreich, T. Kirn, V. S. Kirsebom, O. Kitouni, S. Klaver, N. Kleijne, K. Klimaszewski, M. R. Kmiec, S. Koliiev, L. Kolk, A. Konoplyannikov, P. Kopciewicz, P. Koppenburg, M. Korolev, I. Kostiuk, O. Kot, S. Kotriakhova, A. Kozachuk, P. Kravchenko, L. Kravchuk, M. Kreps, P. Krokovny, W. Krupa, W. Krzemien, O. K. Kshyvanskyi, J. Kubat, S. Kubis, M. Kucharczyk, V. Kudryavtsev, E. Kulikova, A. Kupsc, B. K. Kutsenko, D. Lacarrere, P. Laguarta Gonzalez, A. Lai, A. Lampis, D. Lancierini, C. Landesa Gomez, J. J. Lane, R. Lane, C. Langenbruch, J. Langer, O. Lantwin, T. Latham, F. Lazzari, C. Lazzeroni, R. Le Gac, H. Lee, R. Lefèvre, A. Leflat, S. Legotin, M. Lehuraux, E. Lemos Cid, O. Leroy, T. Lesiak, B. Leverington, A. Li, C. Li, H. Li, K. Li, L. Li, P. Li, P. -R. Li, Q. Li, S. Li, T. Li, T. Li, Y. Li, Y. Li, Z. Lian, X. Liang, S. Libralon, C. Lin, T. Lin, R. Lindner, V. Lisovskyi, R. Litvinov, F. L. Liu, G. Liu, K. Liu, S. Liu, W. Liu, Y. Liu, Y. Liu, Y. L. Liu, A. Lobo Salvia, A. Loi, J. Lomba Castro, T. Long, J. H. Lopes, A. Lopez Huertas, S. López Soliño, C. Lucarelli, D. Lucchesi, M. Lucio Martinez, V. Lukashenko, Y. Luo, A. Lupato, E. Luppi, K. Lynch, X. -R. Lyu, G. M. Ma, R. Ma, S. Maccolini, F. Machefert, F. Maciuc, B. Mack, I. Mackay, L. M. Mackey, L. R. Madhan Mohan, M. J. Madurai, A. Maevskiy, D. Magdalinski, D. Maisuzenko, M. W. Majewski, J. J. Malczewski, S. Malde, L. Malentacca, A. Malinin, T. Maltsev, G. Manca, G. Mancinelli, C. Mancuso, R. Manera Escalero, D. Manuzzi, D. Marangotto, J. F. Marchand, R. Marchevski, U. Marconi, S. Mariani, C. Marin Benito, J. Marks, A. M. Marshall, L. Martel, G. Martelli, G. Martellotti, L. Martinazzoli, M. Martinelli, D. Martinez Santos, F. Martinez Vidal, A. Massafferri, R. Matev, A. Mathad, V. Matiunin, C. Matteuzzi, K. R. Mattioli, A. Mauri, E. Maurice, J. Mauricio, P. Mayencourt, J. Mazorra de Cos, M. Mazurek, M. McCann, L. Mcconnell, T. H. McGrath, N. T. McHugh, A. McNab, R. McNulty, B. Meadows, G. Meier, D. Melnychuk, F. M. Meng, M. Merk, A. Merli, L. Meyer Garcia, D. Miao, H. Miao, M. Mikhasenko, D. A. Milanes, A. Minotti, E. Minucci, T. Miralles, B. Mitreska, D. S. Mitzel, A. Modak, R. A. Mohammed, R. D. Moise, S. Mokhnenko, T. Mombächer, M. Monk, S. Monteil, A. Morcillo Gomez, G. Morello, M. J. Morello, M. P. Morgenthaler, A. B. Morris, A. G. Morris, R. Mountain, H. Mu, Z. M. Mu, E. Muhammad, F. Muheim, M. Mulder, K. Müller, F. Muñoz-Rojas, R. Murta, P. Naik, T. Nakada, R. Nandakumar, T. Nanut, I. Nasteva, M. Needham, N. Neri, S. Neubert, N. Neufeld, P. Neustroev, J. Nicolini, D. Nicotra, E. M. Niel, N. Nikitin, P. Nogarolli, P. Nogga, N. S. Nolte, C. Normand, J. Novoa Fernandez, G. Nowak, C. Nunez, H. N. Nur, A. Oblakowska-Mucha, V. Obraztsov, T. Oeser, S. Okamura, A. Okhotnikov, O. Okhrimenko, R. Oldeman, F. Oliva, M. Olocco, C. J. G. Onderwater, R. H. O'Neil, D. Osthues, J. M. Otalora Goicochea, P. Owen, A. Oyanguren, O. Ozcelik, A. Padee, K. O. Padeken, B. Pagare, P. R. Pais, T. Pajero, A. Palano, M. Palutan, G. Panshin, L. Paolucci, A. Papanestis, M. Pappagallo, L. L. Pappalardo, C. Pappenheimer, C. Parkes, B. Passalacqua, G. Passaleva, D. Passaro, A. Pastore, M. Patel, J. Patoc, C. Patrignani, A. Paul, C. J. Pawley, A. Pellegrino, J. Peng, M. Pepe Altarelli, S. Perazzini, D. Pereima, H. Pereira Da Costa, A. Pereiro Castro, P. Perret, A. Perro, K. Petridis, A. Petrolini, J. P. Pfaller, H. Pham, L. Pica, M. Piccini, B. Pietrzyk, G. Pietrzyk, D. Pinci, F. Pisani, M. Pizzichemi, V. Placinta, M. Plo Casasus, T. Poeschl, F. Polci, M. Poli Lener, A. Poluektov, N. Polukhina, I. Polyakov, E. Polycarpo, S. Ponce, D. Popov, S. Poslavskii, K. Prasanth, C. Prouve, V. Pugatch, G. Punzi, S. Qasim, Q. Q. Qian, W. Qian, N. Qin, S. Qu, R. Quagliani, R. I. Rabadan Trejo, J. H. Rademacker, M. Rama, M. Ramírez García, V. Ramos De Oliveira, M. Ramos Pernas, M. S. Rangel, F. Ratnikov, G. Raven, M. Rebollo De Miguel, F. Redi, J. Reich, F. Reiss, Z. Ren, P. K. Resmi, R. Ribatti, G. R. Ricart, D. Riccardi, S. Ricciardi, K. Richardson, M. Richardson-Slipper, K. Rinnert, P. Robbe, G. Robertson, E. Rodrigues, E. Rodriguez Fernandez, J. A. Rodriguez Lopez, E. Rodriguez Rodriguez, J. Roensch, A. Rogachev, A. Rogovskiy, D. L. Rolf, P. Roloff, V. Romanovskiy, M. Romero Lamas, A. Romero Vidal, G. Romolini, F. Ronchetti, T. Rong, M. Rotondo, S. R. Roy, M. S. Rudolph, M. Ruiz Diaz, R. A. Ruiz Fernandez, J. Ruiz Vidal, A. Ryzhikov, J. Ryzka, J. J. Saavedra-Arias, J. J. Saborido Silva, R. Sadek, N. Sagidova, D. Sahoo, N. Sahoo, B. Saitta, M. Salomoni, C. Sanchez Gras, I. Sanderswood, R. Santacesaria, C. Santamarina Rios, M. Santimaria, L. Santoro, E. Santovetti, A. Saputi, D. Saranin, A. Sarnatskiy, G. Sarpis, M. Sarpis, C. Satriano, A. Satta, M. Saur, D. Savrina, H. Sazak, L. G. Scantlebury Smead, A. Scarabotto, S. Schael, S. Scherl, M. Schiller, H. Schindler, M. Schmelling, B. Schmidt, S. Schmitt, H. Schmitz, O. Schneider, A. Schopper, N. Schulte, S. Schulte, M. H. Schune, R. Schwemmer, G. Schwering, B. Sciascia, A. Sciuccati, S. Sellam, A. Semennikov, T. Senger, M. Senghi Soares, A. Sergi, N. Serra, L. Sestini, A. Seuthe, Y. Shang, D. M. Shangase, M. Shapkin, R. S. Sharma, I. Shchemerov, L. Shchutska, T. Shears, L. Shekhtman, Z. Shen, S. Sheng, V. Shevchenko, B. Shi, Q. Shi, Y. Shimizu, E. Shmanin, R. Shorkin, J. D. Shupperd, R. Silva Coutinho, G. Simi, S. Simone, N. Skidmore, T. Skwarnicki, M. W. Slater, J. C. Smallwood, E. Smith, K. Smith, M. Smith, A. Snoch, L. Soares Lavra, M. D. Sokoloff, F. J. P. Soler, A. Solomin, A. Solovev, I. Solovyev, R. Song, Y. Song, Y. Song, Y. S. Song, F. L. Souza De Almeida, B. Souza De Paula, E. Spadaro Norella, E. Spedicato, J. G. Speer, E. Spiridenkov, P. Spradlin, V. Sriskaran, F. Stagni, M. Stahl, S. Stahl, S. Stanislaus, E. N. Stein, O. Steinkamp, O. Stenyakin, H. Stevens, D. Strekalina, Y. Su, F. Suljik, J. Sun, L. Sun, Y. Sun, D. Sundfeld, W. Sutcliffe, P. N. Swallow, F. Swystun, A. Szabelski, T. Szumlak, Y. Tan, M. D. Tat, A. Terentev, F. Terzuoli, F. Teubert, E. Thomas, D. J. D. Thompson, H. Tilquin, V. Tisserand, S. T'Jampens, M. Tobin, L. Tomassetti, G. Tonani, X. Tong, D. Torres Machado, L. Toscano, D. Y. Tou, C. Trippl, G. Tuci, N. Tuning, L. H. Uecker, A. Ukleja, D. J. Unverzagt, E. Ursov, A. Usachov, A. Ustyuzhanin, U. Uwer, V. Vagnoni, G. Valenti, N. Valls Canudas, H. Van Hecke, E. van Herwijnen, C. B. Van Hulse, R. Van Laak, M. van Veghel, G. Vasquez, R. Vazquez Gomez, P. Vazquez Regueiro, C. Vázquez Sierra, S. Vecchi, J. J. Velthuis, M. Veltri, A. Venkateswaran, M. Vesterinen, D. Vico Benet, M. Vieites Diaz, X. Vilasis-Cardona, E. Vilella Figueras, A. Villa, P. Vincent, F. C. Volle, D. vom Bruch, N. Voropaev, K. Vos, G. Vouters, C. Vrahas, J. Wagner, J. Walsh, E. J. Walton, G. Wan, C. Wang, G. Wang, J. Wang, J. Wang, J. Wang, J. Wang, M. Wang, N. W. Wang, R. Wang, X. Wang, X. Wang, X. W. Wang, Y. Wang, Z. Wang, Z. Wang, Z. Wang, J. A. Ward, M. Waterlaat, N. K. Watson, D. Websdale, Y. Wei, J. Wendel, B. D. C. Westhenry, C. White, M. Whitehead, E. Whiter, A. R. Wiederhold, D. Wiedner, G. Wilkinson, M. K. Wilkinson, M. Williams, M. R. J. Williams, R. Williams, Z. Williams, F. F. Wilson, W. Wislicki, M. Witek, L. Witola, C. P. Wong, G. Wormser, S. A. Wotton, H. Wu, J. Wu, Y. Wu, Z. Wu, K. Wyllie, S. Xian, Z. Xiang, Y. Xie, A. Xu, J. Xu, L. Xu, L. Xu, M. Xu, Z. Xu, Z. Xu, Z. Xu, D. Yang, K. Yang, S. Yang, X. Yang, Y. Yang, Z. Yang, Z. Yang, V. Yeroshenko, H. Yeung, H. Yin, C. Y. Yu, J. Yu, X. Yuan, Y Yuan, E. Zaffaroni, M. Zavertyaev, M. Zdybal, C. Zeng, M. Zeng, C. Zhang, D. Zhang, J. Zhang, L. Zhang, S. Zhang, S. Zhang, Y. Zhang, Y. Z. Zhang, Y. Zhao, A. Zharkova, A. Zhelezov, S. Z. Zheng, X. Z. Zheng, Y. Zheng, T. Zhou, X. Zhou, Y. Zhou, V. Zhovkovska, L. Z. Zhu, X. Zhu, X. Zhu, V. Zhukov, J. Zhuo, Q. Zou, D. Zuliani, G. Zunica
  • 分类：hep-ex
  • 原文链接：http://arxiv.org/abs/2408.16646v1

摘要：观察到稀有的电磁衰变 $J/\psi \to \mu^+\mu^-\mu^+\mu^-$，其显著性远超发现阈值，使用LHCb实验在2016-2018年期间收集的质子-质子碰撞数据，中心质能量为13 TeV，对应的积分亮度为 $5.4\,\text{fb}^{-1}$。该衰变的速率相对于 $J/\psi \to \mu^+\mu^-$ 模式进行了测量。利用量子电动力学模型进行四个μ子衰变的效率估计，确定其分支比为 \begin{equation*} {\mathcal{B}}(J/\psi \to \mu^+\mu^-\mu^+\mu^-) = (1.13\pm0.10\pm0.05\pm0.01)\times 10^{-6}, \end{equation*} 其中不确定性分别为统计、不系统和由于 $J/\psi \to \mu^+\mu^-$ 衰变的分支比的不确定性。

ArXiv-2408.16654v1

  • 标题：Measurement of the Decay $Ξ^{0}\toΛγ$ with Entangled $Ξ^{0}\barΞ^{0}$ Pairs
  • 中文标题：这篇论文的标题翻译成中文是：测量纠缠的 $Ξ^{0}\barΞ^{0}$ 对中 $Ξ^{0}\toΛγ$ 的衰变
  • 发布日期：2024-08-29 15:57:37+00:00
  • 作者：BESIII Collaboration
  • 分类：hep-ex
  • 原文链接：http://arxiv.org/abs/2408.16654v1

摘要：在这篇信中，系统地研究了在电子-正电子对撞机中使用纠缠的$\Xi^{0}\bar{\Xi}^{0}$对事件的弱辐射超子衰变$\Xi^{0}\to\Lambda\gamma$。首次测量了该衰变的绝对分支比，结果为$\left(1.347 \pm 0.066_{\mathrm stat.}\pm0.054_{\mathrm syst.}\right)\times 10^{-3}$。衰变不对称参数，表征衰变中奇偶性破坏的影响，确定为$-0.741 \pm 0.062_{\mathrm stat.}\pm 0.019_{\mathrm syst.}$。所获得的结果在不确定性范围内与世界平均值一致，为理解弱辐射超子衰变的基本机制提供了宝贵的见解。还研究了该衰变中分支比和衰变不对称参数的电荷共轭奇偶性（$CP$）对称性。未观察到电荷共轭奇偶性对称性的统计学显著性破坏。

ArXiv-2408.16697v1

  • 标题：Ultrathin natural biotite crystals as a dielectric layer for van der Waals heterostructure applications
  • 中文标题：超薄天然黑云母晶体作为范德瓦尔斯异质结构应用的介电层
  • 发布日期：2024-08-29 16:46:24+00:00
  • 作者：Raphaela de Oliveira, Ana Beatriz Yoshida, Cesar Rabahi, Raul O. Freitas, Christiano J. S. de Matos, Yara Galvão Gobato, Ingrid D. Barcelos, Alisson R. Cadore
  • 分类：cond-mat.mtrl-sci, physics.app-ph
  • 原文链接：http://arxiv.org/abs/2408.16697v1

摘要：生物云母是一种富含铁的矿物，属于三八面体云母组，是一种自然丰富的层状材料（LM），在纳米器件应用中展现出吸引人的电子特性。生物云母在环境条件下表现为一种不可降解的层状材料，具有高质量的基面劈裂，这为范德瓦尔斯异质结构（vdWH）应用提供了显著优势。在本研究中，我们展示了生物云母的微机械剥离，直到单层（1Ls），获得了具有大面积和原子平坦表面的超薄片。为了识别和表征该矿物，我们使用能量色散光谱映射进行了多元素分析。此外，我们还采用同步辐射红外纳米光谱技术探测其在少层形式下的振动特征，对层数具有敏感性。我们还观察到超薄生物云母片在时间上的良好形态和结构稳定性（长达12个月），并且在超薄生物云母片的热退火过程中，其物理性质没有发生重要变化。导电原子力显微镜评估了其电气性能，揭示出约1 V/nm的电击穿强度。最后，我们探讨了生物云母作为vdWH应用中的基底和封装层的使用。我们在低温下进行了光学和磁光测量。我们发现超薄生物云母片作为1L-MoSe2的良好基底，其性能可与六方氮化硼片相媲美，但它对1L-MoSe2的g因子值产生了小的变化，这很可能是由于其晶体结构中的自然杂质。此外，我们的结果表明，生物云母片是保护敏感层状材料（如黑磷）在环境空气中不被降解的有效系统，保护时间可达60天。我们的研究将生物云母引入为一种有前景的、具有成本效益的层状材料，推动未来超薄纳米技术的发展。

ArXiv-2408.16418v1

  • 标题：Controlling Tip Vortices and Cavitation through Tip Permeability for Tidal Turbines
  • 中文标题：潮汐涡轮机叶尖渗透性对涡尖涡旋和气蚀的控制
  • 发布日期：2024-08-29 10:24:25+00:00
  • 作者：Yabin Liu, Junchen Tan, Richard H. J. Willden, Paul Gary Tucker, Ignazio Maria Viola
  • 分类：physics.flu-dyn
  • 原文链接：http://arxiv.org/abs/2408.16418v1

摘要：刀片尖涡流会导致尾流、气蚀和噪声，其控制仍然是潮汐和风力涡轮机面临的重大挑战。在本研究中，我们提出并研究了通过局部渗透性来控制尖涡流。采用了刀片解析的雷诺平均纳维-斯托克斯模拟，对一个模型尺度的水平轴涡轮机进行了研究，并经过严格的验证和确认过程。涡轮机的尖速比从4.52变化到7.54。尖端渗透性通过在刀片尖端部分包含一个多孔区域来建模，在该区域内应用达西定律。结果表明，存在一个最佳的渗透性范围，对应于约10^{-5}的无量纲达西数，可以显著降低尖涡流强度。揭示的流动物理表明，渗透尖端处理可以有效地增大涡流粘性核心半径，而对涡流环量的变化影响较小。随着尖涡流强度的显著降低，渗透尖端处理可以将涡流核心的最小压力系数提高多达63%，这显著减轻了由于尖涡流引起的气蚀风险。这种方法对涡轮机的能量采集性能几乎没有影响，因为渗透尖端处理的跨向范围仅为涡轮机直径的0.1%量级。我们的研究结果表明，这种方法在突破潮汐涡轮机因气蚀而限制的尖速比上限方面具有巨大潜力。这将有助于开发更高效和更具韧性的涡轮机。

ArXiv-2408.16469v1

  • 标题：Multi-source Domain Adaptation for Panoramic Semantic Segmentation
  • 中文标题：多源领域适应用于全景语义分割
  • 发布日期：2024-08-29 12:00:11+00:00
  • 作者：Jing Jiang, Sicheng Zhao, Jiankun Zhu, Wenbo Tang, Zhaopan Xu, Jidong Yang, Pengfei Xu, Hongxun Yao
  • 分类：cs.CV
  • 原文链接：http://arxiv.org/abs/2408.16469v1

摘要：全景语义分割最近受到广泛关注，因为它具有全面的360度视野。然而，标注这样的图像相比于针孔图像需要更多的资源。因此，许多针对全景语义分割的无监督领域适应方法应运而生，利用真实的针孔图像或低成本的合成全景图像。然而，仅利用真实的针孔图像时，分割模型缺乏对全景结构的理解，而仅采用合成全景图像时，模型又缺乏对真实场景的感知。因此，本文提出了一项新的任务——全景语义分割的多源领域适应，旨在利用源领域中的真实针孔图像和合成全景图像，使分割模型能够在目标领域的未标记真实全景图像上表现良好。此外，我们提出了全景语义分割的变形变换对齐器（DTA4PASS），该方法将源领域中的所有针孔图像转换为类似全景的图像，然后将转换后的源领域与目标领域进行对齐。具体而言，DTA4PASS由两个主要组件组成：无配对语义变形（USM）和失真门控对齐（DGA）。首先，在USM中，语义双视图鉴别器（SDD）辅助训练可微分变形网络，使得在没有配对全景视图的情况下有效转换针孔图像。其次，DGA通过门控为每幅图像分配针孔样和全景样特征，并通过不确定性估计对这两种特征进行对齐。DTA4PASS在户外和室内多源领域适应场景中分别比之前的最先进方法提高了1.92%和2.19%的性能。源代码将会发布。

ArXiv-2408.16732v1

  • 标题：Automatic detection of Mild Cognitive Impairment using high-dimensional acoustic features in spontaneous speech
  • 中文标题：利用高维声学特征自动检测轻度认知障碍的研究
  • 发布日期：2024-08-29 17:23:43+00:00
  • 作者：Cong Zhang, Wenxing Guo, Hongsheng Dai
  • 分类：q-bio.NC, cs.SD, eess.AS, q-bio.QM
  • 原文链接：http://arxiv.org/abs/2408.16732v1

摘要：这项研究针对TAUKADIAL挑战，重点是对患有轻度认知障碍（MCI）和神经典型对照组的人的言语进行分类。我们进行了三项实验，比较了五种机器学习方法：随机森林、稀疏逻辑回归、k近邻、稀疏支持向量机和决策树，利用使用openSMILE自动提取的1076个声学特征。在实验1中，使用整个数据集训练了一个语言无关的模型。实验2引入了语言检测步骤，导致对每种语言进行单独模型训练。实验3进一步增强了实验1中的语言无关模型，特别关注使用样本外测试数据评估模型的鲁棒性。在所有三项实验中，结果一致支持能够处理高维数据的模型，如随机森林和稀疏逻辑回归，在分类MCI和对照组的言语方面表现优越。

ArXiv-2408.16314v1

  • 标题：ResVG: Enhancing Relation and Semantic Understanding in Multiple Instances for Visual Grounding
  • 中文标题：ResVG：增强多实例视觉定位中的关系和语义理解
  • 发布日期：2024-08-29 07:32:01+00:00
  • 作者：Minghang Zheng, Jiahua Zhang, Qingchao Chen, Yuxin Peng, Yang Liu
  • 分类：cs.CV, I.2
  • 原文链接：http://arxiv.org/abs/2408.16314v1

摘要：视觉定位旨在根据自然语言查询在图像中定位所指的对象。尽管最近取得了一些进展，但在多个实例干扰（与目标同类的多个对象）中准确定位目标对象仍然是一个重大挑战。现有方法在图像中存在多个干扰物时表现出显著的性能下降，表明对对象之间细粒度语义和空间关系的理解不足。本文提出了一种新颖的方法，即关系和语义敏感视觉定位（ResVG）模型，以解决这一问题。首先，我们通过将从文本查询中提取的语义先验信息注入模型，增强模型对细粒度语义的理解。这是通过利用文本到图像生成模型生成表示查询中描述的目标对象语义属性的图像来实现的。其次，我们通过引入一种关系敏感的数据增强方法来解决缺乏多个干扰样本的问题。该方法通过合成包含同类多个对象的图像和基于其空间关系的伪查询来生成额外的训练数据。所提出的ReSVG模型显著提高了模型理解对象语义和空间关系的能力，从而在视觉定位任务中，特别是在存在多个实例干扰的场景中，提升了性能。我们在五个数据集上进行了广泛的实验，以验证我们方法的有效性。代码可在[[1]]获取。

ArXiv-2408.16693v1

  • 标题：Gibbs free energies of Fe clusters can be approximated by Tolman correction to accurately model cluster nucleation and growth
  • 中文标题：铁簇的吉布斯自由能可以通过托尔曼修正进行近似，以准确模拟簇的成核和生长
  • 发布日期：2024-08-29 16:41:43+00:00
  • 作者：Alexander Khrabry, Louis E. S. Hoffenberg, Igor D. Kaganovich, Yuri Barsukov, David B. Graves
  • 分类：cond-mat.mtrl-sci, physics.chem-ph, physics.comp-ph
  • 原文链接：http://arxiv.org/abs/2408.16693v1

摘要：准确的铁簇吉布斯自由能对于预测冷凝蒸气中铁簇的生长至关重要。我们提出了一种简单的方法，通过分子动力学（MD）模拟提供的数据来计算簇形成的自由能。我们应用该方法计算了含有2到100个原子的铁簇的自由能。通过与亚饱和蒸气中MD模拟的平衡簇大小分布进行比较，我们验证了这些自由能。我们展示了这些自由能与常用的球形簇近似值有显著差异，后者依赖于平面表面的表面张力系数。通过使用依赖于簇大小的Tolman修正，可以改善球形簇近似。我们推导出的Tolman长度和有效表面张力的值与基于势能的常用实验测量表面张力不同。这种改进的近似方法没有考虑几何魔数效应，这些效应导致邻近簇大小的密度出现峰值和谷值。尽管如此，它仍然能够模拟冷凝蒸气中的簇形成，并准确再现冷凝时间线、簇大小分布的整体形状、平均簇大小和分布宽度。使用常数表面张力系数导致冷凝动力学失真和不准确的簇大小分布。经典成核理论（CNT）中簇成核速率的解析表达式已更新，以考虑簇表面张力的大小依赖性。

ArXiv-2408.16626v1

  • 标题：A Score-based Generative Solver for PDE-constrained Inverse Problems with Complex Priors
  • 中文标题：一种基于分数的生成求解器用于具有复杂先验的偏微分方程约束逆问题
  • 发布日期：2024-08-29 15:34:35+00:00
  • 作者：Yankun Hong, Harshit Bansal, Karen Veroy
  • 分类：cs.CE, math.OC, 35R30, 62F15, 62G05
  • 原文链接：http://arxiv.org/abs/2408.16626v1

摘要：在逆向估计基于偏微分方程（PDE）建模的系统时，估计高维（甚至无限维）参数会面临挑战。通常，这类问题的不适定性要求利用先验信息以实现适定性。在大多数现有的逆向求解器中，先验分布被假设为高斯或拉普拉斯形式，这在许多实际场景中是一种过于简化的假设。如果先验复杂且似然模型计算代价高（例如，由于昂贵的前向模型），从这种后验中抽样可能在计算上不可行，尤其是当未知参数是高维时。在本研究中，为了高效抽样，我们提出了一种基于分数的扩散模型，该模型将基于分数的生成抽样工具与由随机微分方程驱动的加噪和去噪过程相结合。该工具用于根据后验分布进行迭代样本生成，同时学习和利用给定复杂先验中固有的信息和约束。我们提出了一种时间变化的时间调度，以使该方法适应后验抽样。为了加速非参数化PDE的模拟并增强泛化能力，我们引入了一种物理信息卷积神经网络（CNN）作为前向模型的替代。最后，数值实验，包括超弹性问题和多尺度力学问题，证明了所提方法的有效性。特别是，基于分数的扩散模型与物理信息CNN替代相结合，有效地从提供的先验样本中学习几何特征，产生比现有最先进技术更好的逆向估计结果。

ArXiv-2408.16281v1

  • 标题：Exploring the $ Ω^- $ spectrum in lattice QCD
  • 中文标题：探索 $ \Omega^- $ 谷谱的格点 QCD 研究
  • 发布日期：2024-08-29 06:20:12+00:00
  • 作者：Liam Hockley, Waseem Kamleh, Derek Leinweber, Anthony Thomas
  • 分类：hep-lat
  • 原文链接：http://arxiv.org/abs/2408.16281v1

摘要：我们呈现了对 Ω-重子谱的探索性格点量子色动力学（lattice QCD）分析。通过在相关矩阵分析中使用平滑的三夸克算符，我们报告了 $ J^P = 1/2^\pm,\, 3/2^\pm $ 谱的基态、第一激发态和第二激发态的质量，涵盖了广泛的轻夸克质量范围。我们调查了在格点上观察到的态的宇称和自旋量子数，试图将其与实验中遇到的共振相协调。我们发现，粒子数据组报告的 $ \Omega^-(2012) $ 对应于两个重叠的共振，具有 $ J^P = 1/2^- $ 和 $ 3/2^- $。我们还提出了高能共振的量子数分配，并识别了谱中的连续径向激发。

ArXiv-2408.16564v1

  • 标题：Human-Inspired Audio-Visual Speech Recognition: Spike Activity, Cueing Interaction and Causal Processing
  • 中文标题：人类启发的音视频语音识别：脉冲活动、提示交互与因果处理
  • 发布日期：2024-08-29 14:30:56+00:00
  • 作者：Qianhui Liu, Jiadong Wang, Yang Wang, Xin Yang, Gang Pan, Haizhou Li
  • 分类：cs.MM, cs.SD, eess.AS
  • 原文链接：http://arxiv.org/abs/2408.16564v1

摘要：人类自然地进行视听语音识别（AVSR），通过整合听觉和视觉信息来增强准确性和鲁棒性。脉冲神经网络（SNNs）模仿大脑的信息处理机制，非常适合模拟人类的AVSR能力。尽管它们具有潜力，但关于SNN在AVSR中的研究仍然稀缺，现有的大多数视听多模态方法主要集中在物体或数字识别上。这些模型仅仅整合来自两种模态的特征，忽视了它们独特的特性和相互作用。此外，它们通常依赖未来信息进行当前处理，这增加了识别延迟并限制了实时应用。受到人类语音感知的启发，本文提出了一种新的人类启发式SNN，称为HI-AVSNN，用于AVSR，结合了三个关键特性：提示交互、因果处理和脉冲活动。对于提示交互，我们提出了一种视觉提示听觉注意模块（VCA2M），利用视觉提示引导注意力到听觉特征上。我们通过将SNN的时间维度与视觉和听觉特征的时间维度对齐，并应用时间掩蔽，仅利用过去和当前信息，从而实现因果处理。为了实现脉冲活动，除了使用SNN外，我们还利用事件相机捕捉唇部运动作为脉冲，模仿人类视网膜并提供高效的视觉数据。我们在一个结合DVS-Lip数据集及其对应音频样本的视听语音识别数据集上评估了HI-AVSNN。实验结果表明，我们提出的融合方法优于现有的视听SNN融合方法，并在唯一现有的基于SNN的AVSR方法上实现了2.27%的准确率提升。

ArXiv-2408.16555v1

  • 标题：Android Malware Detection Based on RGB Images and Multi-feature Fusion
  • 中文标题：Android恶意软件检测基于RGB图像和多特征融合
  • 发布日期：2024-08-29 14:18:54+00:00
  • 作者：Zhiqiang Wang, Qiulong Yu, Sicheng Yuan
  • 分类：cs.CR, cs.LG
  • 原文链接：http://arxiv.org/abs/2408.16555v1

摘要：随着智能手机的广泛应用，Android恶意软件已成为移动设备安全领域的一项重大挑战。目前的Android恶意软件检测方法通常依赖特征工程来构建动态或静态特征，然后用于学习。然而，基于静态特征的方法在应对代码混淆、打包和签名技术方面存在困难，而基于动态特征的方法则涉及耗时的特征提取。基于图像的Android恶意软件检测方法对恶意软件变种和多态恶意软件具有更好的抗性。本文提出了一种基于RGB图像和多特征融合的端到端Android恶意软件检测技术。该方法涉及从APK文件中提取Dalvik可执行文件（DEX）、AndroidManifest.xml文件和API调用，将它们转换为灰度图像，并使用Canny边缘检测、直方图均衡化和自适应阈值技术增强其纹理特征。这些灰度图像随后被组合成一个包含多特征融合信息的RGB图像，并使用主流图像分类模型进行Android恶意软件检测。大量实验表明，所提出的方法有效捕捉了Android恶意软件的特征，准确率高达97.25%，优于仅依赖DEX文件作为分类特征的现有检测方法。此外，消融实验验证了在所提方法中使用这三种关键文件进行特征表示的有效性。

ArXiv-2408.16400v1

  • 标题：Outside the Comfort Zone: Analysing LLM Capabilities in Software Vulnerability Detection
  • 中文标题：走出舒适区：分析大型语言模型在软件漏洞检测中的能力
  • 发布日期：2024-08-29 10:00:57+00:00
  • 作者：Yuejun Guo, Constantinos Patsakis, Qiang Hu, Qiang Tang, Fran Casino
  • 分类：cs.CR
  • 原文链接：http://arxiv.org/abs/2408.16400v1

摘要：随着自动化和更快的开发生命周期推动软件生产的显著增加，相应地，软件漏洞也激增。与此同时，软件漏洞检测的不断演变，突显了从传统方法向机器学习和大型语言模型（LLMs）的转变，提供了巨大的机会，但也带来了资源需求高的计算成本。本文通过测试模型在网络安全任务中的潜力，深入分析了LLMs在源代码漏洞检测中的能力。我们评估了六个专门训练用于漏洞检测的开源模型与六个通用LLMs的性能，其中三个模型在我们编制的数据集上进行了进一步的微调。我们的数据集以及五个最先进的基准数据集被用于创建一个管道，以利用二元分类任务，即将代码分类为易受攻击和非易受攻击。研究结果显示，在基准测试中的分类准确性存在显著差异，揭示了微调在增强小型LLMs的检测能力方面对其大型对应物的关键影响，但仅限于它们所训练的特定场景。进一步的实验和分析还强调了当前基准数据集存在的问题，特别是关于错误标记及其对模型训练和性能的影响，这引发了对当前实践状态的担忧。我们还讨论了该领域的未来，建议改进模型训练和数据集策划的策略。

ArXiv-2408.16309v1

  • 标题：First-order deformations of freely generated vertex algebras
  • 中文标题：自由生成的顶点代数的一阶变形
  • 发布日期：2024-08-29 07:16:07+00:00
  • 作者：Vladimir Kovalchuk, Fei Qi
  • 分类：math.QA, hep-th
  • 原文链接：http://arxiv.org/abs/2408.16309v1

摘要：我们解决了如何对任何由正权重的齐次元素自由生成的分级限制顶点代数 V 进行一阶顶点代数变形分类的问题。我们通过计算由 Yi-Zhi Huang 构造的第二同调 [[H^2_{1/2}(V, V)]] 来进行研究。我们从两个生成元的余环开始，表明其同调类完全由其奇异部分决定。为了将余环扩展到 V 中的任意一对元素，我们采用生成函数的方法，制定余环方程，并表明所有的补充解都是余边界。然后，我们使用一个非常一般的程序来构造一个特定的解。该程序适用于不是自由生成的顶点代数。作为附带结果，我们表明 [[H^2_{1/2}(V, V)]] = H^2_\infty(V, V)。利用这些结果，我们明确确定了普遍 Virasoro VOA Vir_c、普遍仿射 VOA [[V^l(\mathfrak{g})]]、海森堡 VOA [[V^l(\mathfrak{h})]] 和普遍 Zamolodchikov VOA W_3^c 的一阶变形。

ArXiv-2408.16661v1

  • 标题：Eigen-Cluster VIS: Improving Weakly-supervised Video Instance Segmentation by Leveraging Spatio-temporal Consistency
  • 中文标题：Eigen-Cluster VIS: 通过利用时空一致性改善弱监督视频实例分割
  • 发布日期：2024-08-29 16:05:05+00:00
  • 作者：Farnoosh Arefi, Amir M. Mansourian, Shohreh Kasaei
  • 分类：cs.CV
  • 原文链接：http://arxiv.org/abs/2408.16661v1

摘要：视频实例分割（VIS）方法的性能随着变压器网络的出现显著提高。然而，这些网络在训练过程中常常面临高标注成本的挑战。为了解决这个问题，已经开发了无监督和弱监督的方法，以减少对标注的依赖。本研究提出了一种新颖的弱监督方法，称为Eigen-cluster VIS，该方法在不需要任何掩膜标注的情况下，达到了与其他VIS方法相当的准确性。该方法基于两个关键创新：时间特征值损失（TEL）和剪辑级质量聚类系数（QCC）。TEL通过利用从图邻接矩阵导出的拉普拉斯矩阵的特征值，确保时间一致性。通过最小化相邻帧特征值之间的平均绝对误差（MAE），该损失函数促进了平滑过渡和稳定的分割边界，减少了时间不连续性，提高了整体分割质量。QCC采用K均值方法，确保时空聚类的质量，而不依赖于真实标注掩膜。使用Davies-Bouldin分数，QCC提供了一种无监督的特征区分度量，使模型能够自我评估并适应不同的物体分布，从而增强测试阶段的鲁棒性。这些增强措施计算效率高且简单明了，在没有额外标注数据的情况下提供了显著的性能提升。所提出的Eigen-Cluster VIS方法在YouTube-VIS 2019/2021和OVIS数据集上进行了评估，证明它有效缩小了全监督和弱监督VIS方法之间的性能差距。代码可在：[2](https://github.com/farnooshar/EigenClusterVIS) 获取。

ArXiv-2408.16723v1

  • 标题：Data-driven reduced order modeling of a two-layer quasi-geostrophic ocean model
  • 中文标题：数据驱动的两层准地转海洋模型降阶建模
  • 发布日期：2024-08-29 17:16:06+00:00
  • 作者：Lander Besabe, Michele Girfoglio, Annalisa Quaini, Gianluigi Rozza
  • 分类：math.NA, cs.NA, physics.flu-dyn
  • 原文链接：http://arxiv.org/abs/2408.16723v1

摘要：两层准地转方程（2QGE）是一个简化模型，用于描述分层、风驱动海洋的动力学，涉及潜在涡度和流函数。由于典型计算域的大小以及捕捉湍流尺度全谱所需的高分辨率，其数值模拟面临着高计算成本。在本文中，我们提出了一种数据驱动的降阶模型（ROM），该模型大幅减少了预测海洋动力学的计算时间，尤其是在存在可变物理参数的情况下。我们的ROM的主要构建模块是：i）适当正交分解（POD）和ii）长短期记忆（LSTM）递归神经网络。我们从高分辨率模拟中收集快照数据，涵盖感兴趣时间区间的部分时间段和给定参数值（在可变参数的情况下）。POD被应用于每个场变量，以提取主导模式，并为每个变量训练与快照相关的模态系数的LSTM模型。然后，训练好的LSTM模型预测感兴趣时间区间的其余部分的模态系数以及新的参数值。为了说明我们的POD-LSTM ROM的预测性能及其相应的时间节省，我们考虑了所谓的双涡风强迫测试的扩展。我们展示了POD-LSTM ROM在预测时间平均场和时间依赖量（模态系数、涡度和动能）方面的准确性，即使仅保留系统的10-20%的奇异值能量。与基于有限体积的全阶方法相比，预测的计算速度提升约为1E+07。

ArXiv-2408.16388v1

  • 标题：Efficient Compression of Redshift-Space Distortion Data for Late-Time Modified Gravity Models
  • 中文标题：高红移空间畸变数据的有效压缩：针对晚期修改引力模型
  • 发布日期：2024-08-29 09:50:31+00:00
  • 作者：Yo Toda, Adrià Gómez-Valent, Kazuya Koyama
  • 分类：astro-ph.CO, gr-qc
  • 原文链接：http://arxiv.org/abs/2408.16388v1

摘要：当前的宇宙学观测允许存在与标准大尺度结构生长的偏差。这些偏差可能表明在宇宙尺度上对广义相对论的修改，或者暗能量的动态特性。以模型无关的方式表征这些偏离是重要的，以客观理解其意义，并更广泛地探索其基本原因。本文将红移空间畸变数据的信息压缩为2-3个参数$\mu_i$，这些参数控制在晚期宇宙中多个红移区间内，泊松方程中的有效引力耦合与牛顿常数之间的比率。我们使用来自暗能量光谱仪（DESI）的模拟最终年数据测试这种压缩的效率，并考虑三种不同的有效场论暗能量模型。通过对数据的直接拟合和将压缩参数投影到模型参数上获得的这些模型参数的约束完全一致，证明了该方法的良好性能。然后，我们将其应用于当前数据，发现宇宙中物质生长被抑制的迹象，置信水平约为$\sim 2.7\sigma$，与文献中的先前研究完全一致。最后，我们对DESI数据进行了预测，显示在$z<1$时参数$\mu_1$和$1<z<3$时参数$\mu_2$的不确定性预计将分别减少约$40\%$和$20\%$，与当前数据获得的结果相比。此外，我们将这些预测约束投影到上述模型的参数上。

ArXiv-2408.16707v1

  • 标题：Enhanced forecasting of stock prices based on variational mode decomposition, PatchTST, and adaptive scale-weighted layer
  • 中文标题：增强基于变分模态分解、PatchTST和自适应尺度加权层的股票价格预测
  • 发布日期：2024-08-29 17:00:47+00:00
  • 作者：Xiaorui Xue, Shaofang Li, Xiaonan Wang
  • 分类：cs.LG, eess.SP
  • 原文链接：http://arxiv.org/abs/2408.16707v1

摘要：近年来股指价格的显著波动凸显了准确预测的关键需求，以指导投资和金融策略。本研究提出了一种新颖的复合预测框架，集成了变分模态分解（VMD）、PatchTST和自适应尺度加权层（ASWL），以应对这些挑战。利用2000年至2024年间四个主要股指（SP500、DJI、SSEC和FTSE）的数据集，所提出的方法首先使用VMD将原始价格序列分解为内在模态函数（IMFs）。然后，使用PatchTST对每个IMF进行建模，以有效捕捉时间模式。ASWL模块被应用于整合尺度信息，从而提高预测准确性。最终预测是通过聚合所有IMF的预测结果得出的。VMD-PatchTST-ASWL框架在预测准确性方面显示出显著的改善，相较于传统模型在不同指数上表现出强大的性能。这种创新方法为股指价格预测提供了强有力的工具，具有在各种金融分析和投资决策背景下的潜在应用。

ArXiv-2408.16605v1

  • 标题：Subspace Representation Learning for Sparse Linear Arrays to Localize More Sources than Sensors: A Deep Learning Methodology
  • 中文标题：稀疏线性阵列的子空间表示学习：一种深度学习方法以定位比传感器更多的源
  • 发布日期：2024-08-29 15:14:52+00:00
  • 作者：Kuan-Lin Chen, Bhaskar D. Rao
  • 分类：eess.SP, cs.LG
  • 原文链接：http://arxiv.org/abs/2408.16605v1

摘要：本论文提出了一种新颖的方法，通过样本协方差估计稀疏线性阵列（SLA）的共阵列子空间，以实现比传感器更多的源定位。我们的方法训练深度神经网络（DNN）学习对基选择不变的信号和噪声子空间表示。为了学习这样的表示，我们提出了衡量期望子空间与估计子空间之间分离度的损失函数。特别地，我们提出了测量在Grassmann联合体上视为子空间之间最短路径长度的损失，并证明DNN可以逼近信号子空间。通过一种称为一致秩采样的新批量采样策略，加速了学习不同维度子空间的计算。由于其几何无关性和数据驱动特性，该方法对阵列缺陷具有鲁棒性。此外，我们提出了一种完全端到端的无网格方法，直接学习角度，以研究绕过子空间方法的可能性。数值结果表明，学习这样的子空间表示比学习协方差或角度更具优势。在广泛的信噪比（SNR）、快照和源数量下，它优于传统的基于半正定规划（SDP）的方法，如稀疏和参数化方法（SPA）以及现有的基于DNN的协方差重建方法，适用于完美和不完美阵列。

ArXiv-2408.16380v1

  • 标题：Exploiting temporal information to detect conversational groups in videos and predict the next speaker
  • 中文标题：利用时间信息检测视频中的对话组并预测下一个发言者
  • 发布日期：2024-08-29 09:41:36+00:00
  • 作者：Lucrezia Tosato, Victor Fortier, Isabelle Bloch, Catherine Pelachaud
  • 分类：cs.CV
  • 原文链接：http://arxiv.org/abs/2408.16380v1

摘要：在人际互动的研究中，引入了F formation的概念，以描述参与者在社交互动中的空间排列。本文有两个目标：一是检测视频序列中的F formation，二是预测小组对话中的下一个发言者。所提出的方法利用时间信息和视频序列中的人类多模态信号。特别地，我们依赖于测量人们的参与度作为群体归属的特征。我们的方法使用递归神经网络，即长短期记忆网络（LSTM），来预测在对话小组中谁将发言。对MatchNMingle数据集的实验显示，在群体检测中获得了85%的真阳性率，在预测下一个发言者中达到了98%的准确率。

ArXiv-2408.16254v1

  • 标题：EvLight++: Low-Light Video Enhancement with an Event Camera: A Large-Scale Real-World Dataset, Novel Method, and More
  • 中文标题：EvLight++：基于事件相机的低光视频增强：一个大规模真实世界数据集、创新方法及更多
  • 发布日期：2024-08-29 04:30:31+00:00
  • 作者：Kanghao Chen, Guoqiang Liang, Hangyu Li, Yunfan Lu, Lin Wang
  • 分类：cs.CV
  • 原文链接：http://arxiv.org/abs/2408.16254v1

摘要：事件相机在低光视频增强方面具有显著优势，主要得益于其高动态范围。然而，目前的研究受到缺乏大规模、真实世界和时空对齐的事件-视频数据集的严重限制。为了解决这个问题，我们引入了一个大规模数据集，包含超过30,000对在不同光照条件下捕获的帧和事件。该数据集是通过一个机器人手臂在一致的非线性轨迹上采集的，空间对齐精度达到0.03毫米，90%的数据集的时间对齐误差低于0.01秒。基于该数据集，我们提出了**EvLight++**，一种新颖的事件引导低光视频增强方法，旨在在真实场景中实现稳健的性能。首先，我们设计了一个多尺度整体融合分支，以整合来自图像和事件的结构和纹理信息。为了应对区域光照和噪声的变化，我们引入了信噪比（SNR）引导的区域特征选择，增强高SNR区域的特征，并通过提取事件的结构信息来增强低SNR区域的特征。为了结合时间信息并确保时间一致性，我们进一步在整个流程中引入了递归模块和时间损失。在我们和合成SDSD数据集上的广泛实验表明，EvLight++在单图像和基于视频的方法上分别显著提高了1.37 dB和3.71 dB。为了进一步探索其在下游任务（如语义分割和单目深度估计）中的潜力，我们通过与基础模型的细致注释工作添加伪分割和深度标签扩展了我们的数据集。在多样的低光场景下的实验表明，增强结果在语义分割中实现了15.97%的mIoU提升。

取自“http://zh.wikiedge.org/index.php?title=WikiEdge:ArXiv速递/2024-08-29&oldid=135”