WikiEdge:ArXiv速递/2025-06-16

摘要

• 原文标题：Global QCD analysis of spin PDFs in the proton with high-$x$ and lattice constraints
• 中文标题：质子中自旋部分子分布函数的高x和格点约束全局QCD分析
• 发布日期：2025-06-16 15:45:01+00:00
• 作者：C. Cocuzza, N. T. Hunt-Smith, W. Melnitchouk, N. Sato, A. W. Thomas
• 分类：hep-ph, hep-lat, nucl-th
• 原文链接：http://arxiv.org/abs/2506.13616v1

中文摘要：我们开展了一项全面的自旋依赖部分子分布函数(PDFs)的全局QCD分析，整合了所有可用的包容性和半包容性深度非弹性散射(DIS)数据，以及极化$pp$对撞中的包容性弱玻色子和喷注产生数据，同时提取自旋平均PDFs和碎裂函数。通过纳入杰斐逊实验室高$x$区域的DIS新数据，并结合领头扭度框架下的次领头幂次修正，我们得以验证$W^2 \geq 4$ GeV$^2$范围内PDFs的稳定性，并更可靠地量化自旋结构函数的不确定性。我们探索了利用格点QCD关于胶子赝Ioffe时间分布的新数据，这些数据与喷注产生和高$x$ DIS数据共同加强了对极化胶子PDF的约束。数据扩展到高$x$运动学区域使我们能优化自旋结构函数中高扭贡献的边界，并验证Bjorken求和规则的有效性。

摘要

• 原文标题：EUNIS Habitat Maps: Enhancing Thematic and Spatial Resolution for Europe through Machine Learning
• 中文标题：EUNIS栖息地地图：通过机器学习提升欧洲专题与空间分辨率
• 发布日期：2025-06-16 16:10:08+00:00
• 作者：Sara Si-Moussi, Stephan Hennekens, Sander Mücher, Wanda De Keersmaecker, Milan Chytrý, Emiliano Agrillo, Fabio Attorre, Idoia Biurrun, Gianmaria Bonari, Andraž Čarni, Renata Ćušterevska, Tetiana Dziuba, Klaus Ecker, Behlül Güler, Ute Jandt, Borja Jiménez-Alfaro, Jonathan Lenoir, Jens-Christian Svenning, Grzegorz Swacha, Wilfried Thuiller
• 分类：stat.AP, cs.LG, physics.geo-ph, q-bio.QM, 62P12, 62M30, 92D40, I.2.6; J.3; I.6.5
• 原文链接：http://arxiv.org/abs/2506.13649v1

中文摘要：EUNIS栖息地分类体系对欧洲栖息地分类至关重要，其支撑着欧洲自然保护政策及《自然恢复法》的实施。为满足对精细化栖息地信息日益增长的需求，我们针对260种EUNIS三级栖息地类型提供了空间预测结果，同时包含独立验证和不确定性分析。 通过集成机器学习模型，结合高分辨率卫星影像及具有生态意义的气候、地形和土壤变量，我们制作了欧洲栖息地地图，以100米分辨率呈现全欧洲最可能的EUNIS栖息地类型。此外，我们还提供了预测不确定性信息，以及每个EUNIS一级分类单元内三级栖息地的最可能分布。该成果对保护和恢复工作具有特殊价值。 预测结果通过空间区块交叉验证在欧洲尺度进行验证，并针对法国（仅森林）、荷兰和奥地利的独立数据集进行评估。所获栖息地地图在验证数据集上表现出强劲的预测性能，不同栖息地群系在召回率与精确度方面存在明显权衡关系。

摘要

• 原文标题：Stability Analysis of Physics-Informed Neural Networks via Variational Coercivity, Perturbation Bounds, and Concentration Estimates
• 中文标题：基于变分强制性、扰动边界与集中估计的物理信息神经网络稳定性分析
• 发布日期：2025-06-16 14:41:15+00:00
• 作者：Ronald Katende
• 分类：cs.LG, cs.NA, math.FA, math.NA
• 原文链接：http://arxiv.org/abs/2506.13554v1

中文摘要：我们基于变分分析、算子强制性及显式扰动理论，为物理信息神经网络(PINNs)构建了严格的稳定性框架。PINNs通过最小化采样配置点上的残差损失来逼近偏微分方程(PDE)的解。我们推导了确定性稳定性界，量化网络输出中的有界扰动如何通过残差和监督损失分量传播。借助McDiarmid不等式建立概率稳定性，在最小假设下将采样变异性与经验损失波动相关联，获得非渐近集中界。通过强制性和Sobolev嵌入分析从Sobolev范数训练损失到一致逼近的泛化性，实现逐点误差控制。理论结果适用于标量和向量值PDE，并涵盖复合损失公式。数值实验验证了扰动敏感性、样本复杂度估计及Sobolev到一致的泛化界。该工作为PINNs提供了数学基础扎实且实际可用的稳定性框架，阐明了算子结构、采样设计和函数正则性在鲁棒训练中的作用。