PulseAugur
中
实时 09:30:51
English(EN) Inclusive electron-nucleus cross section models from domain adaptation

迁移学习增强电子-原子核截面模型

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员利用迁移学习开发了用于电子-原子核截面的数据驱动模型。这些模型最初在碳数据上训练，然后针对氦、锂、氧、铝、钙和铁等各种其他元素进行了微调。微调后的模型在所有目标上都显示出改进的性能，改进程度与可用数据的数量、质量和运动学域重叠度相关。即使对于原始训练数据之外的运动学配置，该方法也显示出鲁棒性。 AI

影响 展示了迁移学习在科学建模中的新颖应用，有望提高物理模拟的预测精度。

排序理由 该条目是一篇学术论文，详细介绍了迁移学习在物理建模中的新颖应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

迁移学习增强电子-原子核截面模型

本文如何被排名

Signal score
13 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该条目是一篇学术论文，详细介绍了迁移学习在物理建模中的新颖应用。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, other
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
Breaking (< 6h)
Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Krzysztof M. Graczyk, Beata E. Kowal, Rwik Dharmapal Banerjee, Jose Luis Bonilla, Hemant Prasad, Jan T. Sobczyk ·

    领域自适应的包容性电子-原子核截面模型

    arXiv:2609.08463v1 Announce Type: cross Abstract: We apply transfer learning (TL) to construct data-driven models of inclusive electron-nucleus cross sections. Starting from an ensemble of deep neural networks pretrained on \(^{12}\)C data, we fine-tune the models separately for …

相关实体

相关话题