WikiEdge:ArXiv速遞/2025-03-18
摘要
- 原文標題：Why Personalizing Deep Learning-Based Code Completion Tools Matters
- 中文標題：為什麼個性化基於深度學習的代碼補全工具很重要
- 發布日期：2025-03-18 12:26:06+00:00
- 作者：Alessandro Giagnorio, Alberto Martin-Lopez, Gabriele Bavota
- 分類：cs.SE
- 原文鏈接：http://arxiv.org/abs/2503.14201v1
中文摘要：基於深度學習（DL）的代碼補全工具通過實現高級代碼生成，徹底改變了軟件開發。這些工具利用從大量代碼庫中訓練的模型，捕捉通用的編碼模式。然而，針對特定組織或開發者微調這些模型以提升其在這些主體上的性能的影響尚未被探索。在本研究中，我們通過提供堅實的實證證據填補了這一空白。具體而言，我們考慮了來自兩個組織（Apache 和 Spring）的 136 名開發者、兩種模型架構（T5 和 Code Llama）以及三種模型規模（6000 萬、7.5 億和 70 億可訓練參數）。T5 模型（6000 萬、7.5 億）在超過 2000 個開源項目上進行了預訓練和微調，排除了目標組織的數據，並與在組織和開發者特定數據集上微調的版本進行了比較。對於 Code Llama 模型（70 億），我們比較了在線公開的預訓練模型與通過參數高效微調在組織和開發者特定數據集上微調的同一模型的性能。我們的結果表明，組織和開發者特定的額外微調都能提升預測能力，其中前者表現尤為突出。這一發現在（i）兩個目標組織（即 Apache 和 Spring）和（ii）完全不同的模型規模（從 6000 萬到 70 億可訓練參數）中具有普遍性。最後，我們展示了在組織特定數據集上微調的 DL 模型能夠達到與預訓練代碼模型相同的補全性能，而後者規模約為前者的 10 倍，從而在部署和推理成本上實現了顯著節省（例如，需要更小的GPU）。
摘要
- 原文標題：An Assessment of the UK Government Clean Energy Strategy for the Year 2030
- 中文標題：英國政府2030年清潔能源戰略評估
- 發布日期：2025-03-18 14:48:06+00:00
- 作者：Anthony D. Stephens, David R. Walwyn
- 分類：eess.SY, cs.SY
- 原文鏈接：http://arxiv.org/abs/2503.14309v1
中文摘要：2024年，英國政府就其能源系統脫碳計劃發布了兩項引人注目的聲明：承諾投入220億英鎊在蒂賽德和默西塞德建立碳捕集與封存中心，並發布了《清潔電力2030行動計劃》。本文質疑這兩項計劃的有效性，認為它們未能充分考慮風能和太陽能發電高度波動性的影響。通過使用考慮這些波動性的未來英國電力系統動態模型，研究表明《清潔電力2030行動計劃》高估了風能和太陽能在電力系統中脫碳的能力，尤其是在其規模相對於電力系統需求增加時。更重要的是，動態模型顯示，大部分可實現的脫碳效果來自於將風力發電從目前的約10吉瓦增加到約20吉瓦。將風力發電僅增加到20吉瓦，而不是行動計劃中提議的30吉瓦，可以將提議的成本減半，節省約1200億英鎊，而在脫碳效果上幾乎沒有損失。此外，動態模型顯示，英國7.5天的天然氣儲存能力與其大陸鄰國認為必要的儲存能力相比顯得嚴重不足。本文還表達了對2008年《氣候變化法案》的擔憂，該法案要求英國實現任意的脫碳目標，導致政府顧問提出了一些未經證實且因此具有高度風險的技術解決方案。
摘要
- 原文標題：Shock with Confidence: Formal Proofs of Correctness for Hyperbolic Partial Differential Equation Solvers
- 中文標題：置信衝擊：雙曲偏微分方程求解器的形式化正確性證明
- 發布日期：2025-03-18 04:08:07+00:00
- 作者：Jonathan Gorard, Ammar Hakim
- 分類：cs.LO, cs.NA, math.NA, physics.comp-ph
- 原文鏈接：http://arxiv.org/abs/2503.13877v1
中文摘要：一階雙曲偏微分方程（PDEs）系統在計算物理學中無處不在，常用於流體湍流、衝擊波、電磁相互作用甚至廣義相對論現象的模擬。這些方程在非線性情況下通常難以數值求解，因為它們即使在初始數據平滑的情況下也容易形成不連續性，這可能導致數值算法變得不穩定、違反守恆定律或收斂到物理上不正確的解。在本文中，我們介紹了一種新的形式化驗證流程，用於在Racket中構建此類算法，允許用戶為指定的方程系統構建定製的雙曲PDE求解器，生成可驗證實現該求解器的低級C代碼，並生成關於實現的各種數學和物理正確性屬性的形式化證明，包括L^2穩定性、通量守恆和物理有效性。我們概述了如何使用一個完全尊重浮點算術代數結構的自定義定理證明和自動微分框架生成這些正確性證明，並展示了生成的C代碼如何用於運行獨立模擬或集成到更大的計算多物理框架（如Gkeyll）中。
摘要
- 原文標題：Multi-Parameter Analysis of Li-ion Battery Degradation: Integrating Optical Fiber Sensing with Differential State of Health Metrics
- 中文標題：鋰離子電池退化的多參數分析：集成光纖傳感與差分健康狀態指標
- 發布日期：2025-03-18 15:01:30+00:00
- 作者：Idris Temitope Bello, Hassan Raza, Madithedu Muneeswara, Neha Tewari, Yin Nee Cheung, Tobi Alabi Michael, Ridwan Taiwo, Fiske Lin
- 分類：physics.app-ph
- 原文鏈接：http://arxiv.org/abs/2503.14327v1
中文摘要：鋰離子電池（LiBs）的可靠性和安全性在儲能行業中備受關注。然而，由於循環過程中可用的定量指標有限，實時監測其退化仍然具有挑戰性。本研究通過採用一種新穎的方法，結合外部光纖傳感和先進的數據分析技術，全面評估電池健康狀況，解決了這一局限性。我們設計了一種非侵入式光學傳感平台，使用串聯的聚合物和硅基光纖布拉格光柵（FBG）傳感器，將其固定在商用鋰離子紐扣電池的外表面，實現了在600次循環中對設備級體積變化和熱事件的同步實時監測。我們的分析結合了差分技術，基於容量、應變和溫度隨電壓的變化來估計電池的健康狀態（SOH）。此外，我們實現並比較了三種深度學習模型——長短期記憶（LSTM）、門控循環單元（GRU）和人工神經網絡（ANN）——以預測電池在循環中的SOH。我們能夠捕捉到連續和突發的退化事件，並通過差分分析和新的SOH指標，提供了對電池整個生命周期行為的獨特見解，這些指標與傳統測量方法具有高度相關性。這種結合先進傳感技術、創新數據分析和深度學習方法的多參數方法，對電池診斷做出了重要貢獻，可能提高可靠性評估、增強安全標準，並加速更可持續儲能解決方案的開發。
摘要
- 原文標題：The Atacama Cosmology Telescope: DR6 Constraints on Extended Cosmological Models
- 中文標題：阿塔卡馬宇宙學望遠鏡：DR6 對擴展宇宙學模型的約束
- 發布日期：2025-03-18 17:30:26+00:00
- 作者：Erminia Calabrese, J. Colin Hill, Hidde T. Jense, Adrien La Posta, Irene Abril-Cabezas, Graeme E. Addison, Peter A. R. Ade, Simone Aiola, Tommy Alford, David Alonso, Mandana Amiri, Rui An, Zachary Atkins, Jason E. Austermann, Eleonora Barbavara, Nicola Barbieri, Nicholas Battaglia, Elia Stefano Battistelli, James A. Beall, Rachel Bean, Ali Beheshti, Benjamin Beringue, Tanay Bhandarkar, Emily Biermann, Boris Bolliet, J Richard Bond, Valentina Capalbo, Felipe Carrero, Stephen Chen, Grace Chesmore, Hsiao-mei Cho, Steve K. Choi, Susan E. Clark, Nicholas F. Cothard, Kevin Coughlin, William Coulton, Devin Crichton, Kevin T. Crowley, Omar Darwish, Mark J. Devlin, Simon Dicker, Cody J. Duell, Shannon M. Duff, Adriaan J. Duivenvoorden, Jo Dunkley, Rolando Dunner, Carmen Embil Villagra, Max Fankhanel, Gerrit S. Farren, Simone Ferraro, Allen Foster, Rodrigo Freundt, Brittany Fuzia, Patricio A. Gallardo, Xavier Garrido, Martina Gerbino, Serena Giardiello, Ajay Gill, Jahmour Givans, Vera Gluscevic, Samuel Goldstein, Joseph E. Golec, Yulin Gong, Yilun Guan, Mark Halpern, Ian Harrison, Matthew Hasselfield, Adam He, Erin Healy, Shawn Henderson, Brandon Hensley, Carlos Hervías-Caimapo, Gene C. Hilton, Matt Hilton, Adam D. Hincks, Renée Hložek, Shuay-Pwu Patty Ho, John Hood, Erika Hornecker, Zachary B. Huber, Johannes Hubmayr, Kevin M. Huffenberger, John P. Hughes, Margaret Ikape, Kent Irwin, Giovanni Isopi, Neha Joshi, Ben Keller, Joshua Kim, Kenda Knowles, Brian J. Koopman, Arthur Kosowsky, Darby Kramer, Aleksandra Kusiak, Alex Lague, Victoria Lakey, Massimiliano Lattanzi, Eunseong Lee, Yaqiong Li, Zack Li, Michele Limon, Martine Lokken, Thibaut Louis, Marius Lungu, Niall MacCrann, Amanda MacInnis, Mathew S. Madhavacheril, Diego Maldonado, Felipe Maldonado, Maya Mallaby-Kay, Gabriela A. Marques, Joshiwa van Marrewijk, Fiona McCarthy, Jeff McMahon, Yogesh Mehta, Felipe Menanteau, Kavilan Moodley, Thomas W. Morris, Tony Mroczkowski, Sigurd Naess, Toshiya Namikawa, Federico Nati, Simran K. Nerval, Laura Newburgh, Andrina Nicola, Michael D. Niemack, Michael R. Nolta, John Orlowski-Scherer, Luca Pagano, Lyman A. Page, Shivam Pandey, Bruce Partridge, Karen Perez Sarmiento, Heather Prince, Roberto Puddu, Frank J. Qu, Damien C. Ragavan, Bernardita Ried Guachalla, Keir K. Rogers, Felipe Rojas, Tai Sakuma, Emmanuel Schaan, Benjamin L. Schmitt, Neelima Sehgal, Shabbir Shaikh, Blake D. Sherwin, Carlos Sierra, Jon Sievers, Cristóbal Sifón, Sara Simon, Rita Sonka, David N. Spergel, Suzanne T. Staggs, Emilie Storer, Kristen Surrao, Eric R. Switzer, Niklas Tampier, Leander Thiele, Robert Thornton, Hy Trac, Carole Tucker, Joel Ullom, Leila R. Vale, Alexander Van Engelen, Jeff Van Lanen, Cristian Vargas, Eve M. Vavagiakis, Kasey Wagoner, Yuhan Wang, Lukas Wenzl, Edward J. Wollack, Kaiwen Zheng
- 分類：astro-ph.CO, gr-qc, hep-ph
- 原文鏈接：http://arxiv.org/abs/2503.14454v1
中文摘要：我們使用來自阿塔卡馬宇宙學望遠鏡（ACT）數據發布6（DR6）的新宇宙微波背景（CMB）原始溫度和極化各向異性測量數據，測試標準宇宙學模型的基本假設，並對其擴展模型設置約束。我們僅從ACT DR6功率譜中推導出約束條件，同時也結合了普朗克（Planck）的遺留數據。為了打破幾何簡併性，我們納入了ACT和普朗克的CMB透鏡數據以及DESI第一年的重子聲學振盪數據，並進一步為影響晚期膨脹歷史的模型添加了Pantheon+的超新星測量數據。我們驗證了原始擾動的近尺度不變性（譜指數運行$d n_s/d\ln k = 0.0062 \pm 0.0052$）和絕熱性。中微子性質與標準模型的預測一致：我們沒有發現新的自由流動的輕相對論性粒子的證據（$N_{\rm eff} = 2.86 \pm 0.13$，結合外部BBN數據後為$N_{\rm eff} = 2.89 \pm 0.11$），也沒有發現非零中微子質量（$\sum m_\nu < 0.082$ eV，95%置信水平）或中微子自相互作用的證據。我們同樣沒有發現自相互作用的暗輻射（$N_{\rm idr} < 0.134$）、早期宇宙基本常數的變化、早期暗能量、原始磁場或修正複合的證據。我們的數據與標準BBN、FIRAS推斷的CMB溫度、碰撞暗物質成分（僅允許一小部分作為類軸子粒子）、宇宙學常數以及廣義相對論預測的晚期增長率一致。我們沒有發現統計上顯著偏離基線$\Lambda$CDM模型的偏好。總體而言，旨在增加哈勃常數或減少從原始CMB推斷的密度波動幅度的模型並未得到我們數據的支持。