8650 papers
In het brede spectrum van de natuurkunde vormen de thermodynamische grootheden C_s en C_v een fascinerend raakvlak tussen deeltjesfysica en kosmologie. Deze categorie onderzoekt hoe de snelheid van geluid en de warmtecapaciteit bij constant volume gedrag verklaren in extreme omgevingen, variërend van de vroege oerknal tot exotische sterrenstelsels. Het leest als een verhaal over de fundamentele eigenschappen van materie onder onmeetbare druk en temperatuur.
Op Gist.Science selecteren en verwerken wij continu alle nieuwe voorpublicaties uit dit domein die verschijnen op arXiv. Voor elk artikel bieden we zowel een toegankelijke samenvatting in gewone taal als een gedetailleerde technische uitleg, zodat zowel de geïnteresseerde leek als de vakman de kern van de bevindingen direct kan begrijpen zonder vast te lopen in jargon.
Hieronder vindt u de meest recente publicaties in deze categorie, direct uit de bron van arXiv en door ons op een begrijpelijke manier samengevat.
Dit artikel introduceert Sinusoidal Trainable Activation Functions (STAF), een verenigd kader voor Implicit Neural Representations dat Fourier-achtige activatieparameters leert om de reconstructiekwaliteit en parameterefficiëntie over diverse taken heen te verbeteren, terwijl het een theoretische basis biedt voor hun expressiviteit en trainingsdynamiek.
Dit artikel presenteert ADAPT, een volledig autonome off-road heftruck die AI-gestuurde perceptie integreert met traditionele controlemethoden om door complexe bouwomgevingen te navigeren, waarbij door middel van uitgebreide tests in de echte wereld wordt aangetoond dat het een prestatie op bijna menselijk niveau kan bereiken bij het hanteren van materialen onder diverse weersomstandigheden.
Dit artikel stelt een zelfgesuperviseerde aanpak voor die voorgetrainde RGB-encoders uitbreidt met een sinusvormige diepte-gecodeerde adapter om een gegeneraliseerd, robuust metrische dieptebegrip en superieure prestaties te bereiken over diverse RGB-D downstream-taken zonder dat fijnafstemming vereist is.
Het artikel introduceert de Feature-space Planes Searcher (FPS), een universeel framework voor domeinadaptatie dat beslissingsgrenzen optimaliseert op bevroren vooraf getrainde feature extractors om competitieve prestaties te behalen met superieure interpreteerbaarheid en computationele efficiëntie over diverse domeinen heen.
MMRINet is een lichtgewicht, op Mamba gebaseerde segmentatiearchitectuur ontworpen voor klinische omgevingen met beperkte middelen, die een state-of-the-art prestatie bereikt bij de segmentatie van hersentumoren op low-field MRI-data door kwadratische zelf-aandacht te vervangen door state-space modellen met lineaire complexiteit en door dual-path verfijning en progressieve feature-aggregatie te integreren.
Dit artikel onthult dat op LLM gebaseerde tekst-naar-afbeelding-systemen sterkere demografische vooroordelen introduceren dan niet-LLM baselines vanwege hun systeemprompts, en stelt FairPro voor, een training-vrij framework dat deze vooroordelen mitigeert door adaptief rechtvaardigheidsbewuste instructies te genereren terwijl de gebruikersintentie behouden blijft.
RAMEN is een resolutie-aanpasbare multimodale encoder die diverse aardobservatiegegevens van verschillende sensoren en resoluties verenigt in een enkele, sensor-agnostische latente ruimte, wat een controleerbare outputresolutie mogelijk maakt en bestaande modellen op multi-sensor downstream-taken overtreft.
Het artikel introduceert LingBot-VLA, een pragmatisch Vision-Language-Action fundamentmodel getraind op 20.000 uur aan real-world dual-arm robotdata dat superieure generalisatie over meerdere platforms demonstreert en een zeer efficiënte trainingscodebase biedt, waarbij alle middelen worden vrijgegeven om het vakgebied van robotleren te bevorderen.
Dit artikel introduceert FAST-AR, een training-vrij framework dat autoregressieve videodiffusie en wereldmodellen versnelt door temporele caches te comprimeren en aandacht te versnipperen via benaderende nearest neighbor-matching, waarmee een versnelling van 5–10x wordt bereikt met constant geheugengebruik terwijl de visuele kwaliteit behouden blijft.
Dit artikel introduceert B-ACT, een clip-budgeted active learning-framework dat de efficiëntie van temporele actiesegmentatie verbetert door annotatieresources strategisch toe te wijzen aan foutgevoelige actiegrenzen via een hiërarchisch tweestaps selectieproces gebaseerd op voorspellende onzekerheid en een nieuwe boundary score.