WikiEdge:ArXiv速遞/2025-03-05

摘要

• 原文標題：First Limits on Light Dark Matter Interactions in a Low Threshold Two Channel Athermal Phonon Detector from the TESSERACT Collaboration
• 中文標題：TESSERACT合作組在低閾值雙通道非熱聲子探測器中首次對輕暗物質相互作用的限制
• 發佈日期：2025-03-05 17:22:53+00:00
• 作者：C. L. Chang, Y. -Y. Chang, L. Chaplinsky, C. W. Fink, M. Garcia-Sciveres, W. Guo, S. A. Hertel, X. Li, J. Lin, M. Lisovenko, R. Mahapatra, W. Matava, D. N. McKinsey, V. Novati, P. K. Patel, B. Penning, H. D. Pinckney, M. Platt, M. Pyle, Y. Qi, M. Reed, G. R. C Rischbieter, R. K. Romani, B. Sadoulet, B. Serfass, P. Sorensen, A. Suzuki, V. Velan, G. Wang, Y. Wang, S. L. Watkins, M. R. Williams, J. K. Wuko, T. Aramaki, P. Cushman, N. N. Gite, A. Gupta, M. E. Huber, N. A. Kurinsky, J. S. Mammo, A. J. Mayer, J. Nelson, S. M. Oser, L. Pandey, A. Pradeep, W. Rau, T. Saab
• 分類：hep-ex, physics.ins-det
• 原文連結：http://arxiv.org/abs/2503.03683v1

中文摘要：我們展示了在地面運行的1 cm² × 1 mm厚（0.233克）高解像度矽非熱聲子探測器中，對自旋無關的暗物質-核子相互作用的搜索結果。該傳感器實現了σ_P = 361.5(4)毫電子伏特的能量解像度，這是迄今為止任何非熱聲子探測器的最佳解像度。通過0.233克 × 12小時的曝光量，我們對44至87兆電子伏特/平方c之間的暗物質質量設定了最嚴格的限制，最低未探索的截面為4e-32平方厘米，對應87兆電子伏特/平方c。我們採用了一種保守的鹽化技術，達到了迄今為止通過直接探測實驗探測到的最低暗物質質量。這一限制是通過雙通道抑制與單個傳感器耦合的低能背景實現的。

摘要

• 原文標題：Towards Understanding Distilled Reasoning Models: A Representational Approach
• 中文標題：理解蒸餾推理模型：一種表徵方法
• 發佈日期：2025-03-05 18:40:19+00:00
• 作者：David D. Baek, Max Tegmark
• 分類：cs.LG
• 原文連結：http://arxiv.org/abs/2503.03730v1

中文摘要：在本文中，我們研究了模型蒸餾如何影響大型語言模型（LLMs）中推理特徵的發展。為了探索這一點，我們在Qwen系列模型及其微調變體上訓練了一個跨編碼器。我們的結果表明，跨編碼器學習了與各種推理類型相對應的特徵，包括自我反思和計算驗證。此外，我們觀察到蒸餾模型包含獨特的推理特徵方向，這些方向可用於引導模型進入過度思考或敏銳思考模式。特別是，我們對四種特定的推理類別進行了分析：（a）自我反思，（b）演繹推理，（c）替代推理，以及（d）對比推理。最後，我們研究了蒸餾過程導致的特徵幾何變化，並發現較大的蒸餾模型可能會發展出更具結構化的表示，這與增強的蒸餾性能相關。通過提供關於蒸餾如何修改模型的見解，我們的研究有助於提高AI系統的透明度和可靠性。

摘要

• 原文標題：Active 6D Pose Estimation for Textureless Objects using Multi-View RGB Frames
• 中文標題：使用多視角RGB幀進行無紋理物體的主動6D姿態估計
• 發佈日期：2025-03-05 18:28:32+00:00
• 作者：Jun Yang, Wenjie Xue, Sahar Ghavidel, Steven L. Waslander
• 分類：cs.CV, cs.RO
• 原文連結：http://arxiv.org/abs/2503.03726v1

中文摘要：從RGB圖像中估計無紋理物體的6D姿態是機械人學中的一個重要問題。由於外觀模糊性、旋轉對稱性和嚴重遮擋，基於單視圖的6D姿態估計器仍然無法處理廣泛的物體，這促使了多視圖姿態估計和最佳視角預測的研究，以解決這些限制。在這項工作中，我們提出了一個全面的主動感知框架，僅使用RGB圖像來估計無紋理物體的6D姿態。我們的方法基於一個關鍵思想：將6D姿態估計解耦為一個順序的兩步過程可以顯著提高準確性和效率。首先，我們估計每個物體的3D平移，解決RGB圖像固有的尺度和深度模糊性。然後，這些估計用於簡化後續的3D方向確定任務，我們通過規範尺度模板匹配來實現。基於這一公式，我們進一步引入了一種主動感知策略，預測下一個最佳相機視角以捕捉RGB圖像，有效減少物體姿態的不確定性並提高姿態準確性。我們在公開的ROBI數據集以及我們自己創建的透明物體數據集上評估了我們的方法。在使用相同相機視角進行評估時，我們的多視圖姿態估計顯著優於最先進的方法。此外，通過利用我們的最佳視角策略，我們的方法在比基於啟發式策略更少的視角下實現了高物體姿態準確性。

摘要

• 原文標題：Exploring Dual-Iron Atomic Catalysts for Efficient Nitrogen Reduction: A Comprehensive Study on Structural and Electronic Optimization
• 中文標題：探索雙鐵原子催化劑用於高效氮還原：結構與電子優化的綜合研究
• 發佈日期：2025-03-05 12:00:44+00:00
• 作者：Zhe Zhang, Wenxin Ma, Jiajie Qiao, Xiaoliang Wu, Shaowen Yu, Weiye Hou, Xiang Huang, Rubin Huo, Hongbo Wu, Yusong Tu
• 分類：cond-mat.mtrl-sci, physics.chem-ph
• 原文連結：http://arxiv.org/abs/2503.03427v1

中文摘要：氮還原反應（NRR）作為一種高效且綠色的氨合成途徑，在實現按需氨生產中起着至關重要的作用。本研究提出了一種基於雙鐵原子位點和氮硼共摻雜石墨烯催化劑的新設計理念，探索其在NRR中的高效性。通過調節N和B的共摻雜比例，我們發現Fe2N3B@G催化劑在N2分子的吸附和氫化中表現出顯著的活性，尤其是在NRR遠端路徑上具有最低的自由能（0.32 eV），顯示出其優異的氮活化能力和NRR性能。計算的電子局域化函數、晶體軌道哈密頓布居、靜電勢圖揭示了Fe2N3B@G催化劑改進的NRR動力學源於N3B共摻雜誘導的Fe-Fe電子環境優化、Fe-N鍵強度的調節以及N2斷裂和氫化過程中的持續電子支持。特別是，機器學習分子動力學（MLMD）模擬被用來驗證Fe2N3B@G催化劑在NRR中的高活性，結果表明Fe2N3B@G有效調節了Fe-N鍵的電子密度，確保了NH3分子的順利生成和解吸，並避免了與析氫反應（HER）的競爭。此外，Fe2N3B@G催化劑確定的較高HER過電位可以有效抑制HER並增強對NRR的選擇性。此外，Fe2N3B@G催化劑在高達500 K的分子動力學模擬中也表現出良好的熱穩定性，為其在實際應用中的可行性提供了支持。本研究展示了Fe2N3B@G在氮還原催化中的優越性能，並通過共摻雜策略和深入的電子環境調節為原子催化劑設計提供了理論指導。

摘要

• 原文標題：A Multimodal Framework for Topic Propagation Classification in Social Networks
• 中文標題：社交網絡中話題傳播分類的多模態框架
• 發佈日期：2025-03-05 02:12:23+00:00
• 作者：Yuchuan Jiang, Chaolong Jia, Yunyi Qin, Wei Cai, Yongsen Qian
• 分類：cs.SI, cs.AI, cs.NE
• 原文連結：http://arxiv.org/abs/2503.03112v1

中文摘要：互聯網的快速發展和社交網絡的廣泛採用顯著加速了信息傳播。然而，這種轉變也帶來了信息捕獲和信息處理的複雜性，給研究人員和實踐者帶來了巨大挑戰。因此，預測社交網絡中與主題相關的信息傳播已成為一個關鍵的研究焦點。本文通過整合從關鍵傳播特徵中提取的多維特徵，提出了一種用於社交網絡中主題傳播的預測模型。具體而言，我們在PageRank算法中引入了兩個新指標——用戶關係廣度和用戶權威性，以更有效地量化用戶影響力。此外，我們採用Text-CNN模型進行情感分類，從文本內容中提取情感特徵。節點的時序嵌入通過Bi-LSTM模型進行編碼，以捕捉時序動態。此外，我們改進了用戶與主題交互痕跡的測量方法，用更精確的傳播特徵度量替代了傳統的主題瀏覽量指標。最後，我們使用Transformer模型整合提取的多維特徵，顯著提升了預測性能。實驗結果表明，我們提出的模型在FI-Score、AUC和Recall方面優於傳統的機器學習和單模態深度學習模型，驗證了其在預測社交網絡中主題傳播方面的有效性。