机器学习回归不确定性揭示自驱动活性粒子的群集相变

本文发展了一种利用逆统计问题中的回归不确定性来自动探索物质相的新方法.以自驱动活性粒子的群集相变为例,展示了对于这一类涉及非平衡、非晶格、一阶相变等复杂要素的多体系统,在训练人工神经网络处理其中的逆统计问题回归任务,成功重构出系统的噪声强度这一参数之后,回归结果的不确定性关于实际噪声强度的分布具有非平庸的规律性,可用于揭示该系统中的群集相变,并自动提取相变的临界噪声强度.本文还与两种基于神经网络分类能力的常见方法进行直接对比,讨论了它们的异同和各自特点.结果表明,本文发展的新方法不仅具有使用效率较高和所需预设的物理知识较少等实用优势,而且更有在理论层面较为自然地与传统物理概念建立联系的可能性,对于跨领域的不同物理系统都有良好的通用性和有效性.

估算河道推移质输沙量的数学模型

本文首次提出了利用数学模型估算河道推移质输沙量，建立了一个恒定非平衡推移质泥沙数学模型，并利用水槽试验成果对之进行了验证．通过实例研究证明，用本文提出的方法估算河道推移质输沙量是可行的．

一相非平衡问题Blow-up的一点注记

构造一个一相非平衡问题Ｂｌｏｗ－ｕｐ的例子，说明这类问题的整体解不一定存在．