WikiEdge:ArXiv速遞/2025-06-16

摘要

• 原文標題：Global QCD analysis of spin PDFs in the proton with high-$x$ and lattice constraints
• 中文標題：質子中自旋部分子分布函數的高x和格點約束全局QCD分析
• 發布日期：2025-06-16 15:45:01+00:00
• 作者：C. Cocuzza, N. T. Hunt-Smith, W. Melnitchouk, N. Sato, A. W. Thomas
• 分類：hep-ph, hep-lat, nucl-th
• 原文鏈接：http://arxiv.org/abs/2506.13616v1

中文摘要：我們開展了一項全面的自旋依賴部分子分布函數(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彈性散射(DIS)數據，以及極化$pp$對撞中的包容性弱玻色子和噴注產生數據，同時提取自旋平均PDFs和碎裂函數。通過納入傑斐遜實驗室高$x$區域的DIS新數據，並結合領頭扭度框架下的次領頭冪次修正，我們得以驗證$W^2 \geq 4$ GeV$^2$範圍內PDFs的穩定性，並更可靠地量化自旋結構函數的不確定性。我們探索了利用格點QCD關於膠子贗Ioffe時間分布的新數據，這些數據與噴注產生和高$x$ DIS數據共同加強了對極化膠子PDF的約束。數據擴展到高$x$運動學區域使我們能優化自旋結構函數中高扭貢獻的邊界，並驗證Bjorken求和規則的有效性。

摘要

• 原文標題：EUNIS Habitat Maps: Enhancing Thematic and Spatial Resolution for Europe through Machine Learning
• 中文標題：EUNIS棲息地地圖：通過機器學習提升歐洲專題與空間分辨率
• 發布日期：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
• 分類：stat.AP, cs.LG, physics.geo-ph, q-bio.QM, 62P12, 62M30, 92D40, I.2.6; J.3; I.6.5
• 原文鏈接：http://arxiv.org/abs/2506.13649v1

中文摘要：EUNIS棲息地分類體系對歐洲棲息地分類至關重要，其支撐着歐洲自然保護政策及《自然恢復法》的實施。為滿足對精細化棲息地信息日益增長的需求，我們針對260種EUNIS三級棲息地類型提供了空間預測結果，同時包含獨立驗證和不確定性分析。 通過集成機器學習模型，結合高分辨率衛星影像及具有生態意義的氣候、地形和土壤變量，我們製作了歐洲棲息地地圖，以100米分辨率呈現全歐洲最可能的EUNIS棲息地類型。此外，我們還提供了預測不確定性信息，以及每個EUNIS一級分類單元內三級棲息地的最可能分布。該成果對保護和恢復工作具有特殊價值。 預測結果通過空間區塊交叉驗證在歐洲尺度進行驗證，並針對法國（僅森林）、荷蘭和奧地利的獨立數據集進行評估。所獲棲息地地圖在驗證數據集上表現出強勁的預測性能，不同棲息地群系在召回率與精確度方面存在明顯權衡關係。

摘要

• 原文標題：Stability Analysis of Physics-Informed Neural Networks via Variational Coercivity, Perturbation Bounds, and Concentration Estimates
• 中文標題：基於變分強制性、擾動邊界與集中估計的物理信息神經網絡穩定性分析
• 發布日期：2025-06-16 14:41:15+00:00
• 作者：Ronald Katende
• 分類：cs.LG, cs.NA, math.FA, math.NA
• 原文鏈接：http://arxiv.org/abs/2506.13554v1

中文摘要：我們基於變分分析、算子強制性及顯式擾動理論，為物理信息神經網絡(PINNs)構建了嚴格的穩定性框架。PINNs通過最小化採樣配置點上的殘差損失來逼近偏微分方程(PDE)的解。我們推導了確定性穩定性界，量化網絡輸出中的有界擾動如何通過殘差和監督損失分量傳播。藉助McDiarmid不等式建立概率穩定性，在最小假設下將採樣變異性與經驗損失波動相關聯，獲得非漸近集中界。通過強制性和Sobolev嵌入分析從Sobolev範數訓練損失到一致逼近的泛化性，實現逐點誤差控制。理論結果適用於標量和向量值PDE，並涵蓋複合損失公式。數值實驗驗證了擾動敏感性、樣本複雜度估計及Sobolev到一致的泛化界。該工作為PINNs提供了數學基礎紮實且實際可用的穩定性框架，闡明了算子結構、採樣設計和函數正則性在魯棒訓練中的作用。