1. Быстрая эмуляция двухточечной угловой статистики для фотометрических обзоров галактик (arXiv)

Автор:Марко Боничи, Лука Биджо, Кармелита Карбоне, Луиджи Гуццо

Аннотация: мы разрабатываем набор космологических эмуляторов на основе машинного обучения для получения быстрых прогнозов модели для угловых коэффициентов спектра мощности C(ℓ), характеризующих томографические наблюдения кластеризации галактик и слабого гравитационного линзирования из многодиапазонных фотометрические съемки (и их корреляция). Набор нейронных сетей обучен отображать космологические параметры в коэффициенты, достигая ускорения O(103) при вычислении необходимой статистики для заданного набора космологических параметров по сравнению со стандартными решателями Больцмана с точностью лучше 0,175. % (‹0,1% для случая слабой линзы). Это соответствует ∼2% или меньше планок статистических ошибок, ожидаемых от типичных фотометрических съемок этапа IV. Такое общее улучшение скорости и точности достигается за счет (i) специальной оптимизации предварительной обработки перед этапом обучения и (ii) более эффективной архитектуры нейронной сети по сравнению с предыдущими реализациями.

2. Универсальная пуассоновская статистика пассивного индикатора, диффундирующего в разбавленных активных суспензиях (arXiv)

Автор:Адриан Бауле

Аннотация:Статистика пассивного трассера, погруженного в суспензию активных самодвижущихся частиц (пловцов), выводится из первых принципов путем рассмотрения пертурбативного расширения взаимодействия трассера с микроскопическим полем пловца. В первом порядке по плотности пловца статистика трассера точно представлена ​​​​как пространственный процесс Пуассона в сочетании с независимыми событиями рассеяния пловец-трассер, строго сводя динамику нескольких частиц к взаимодействиям двух тел. Представление Пуассона справедливо в любых размерностях и для произвольных сил взаимодействия и динамики пловца. Он обеспечивает, в частности, аналитический вывод окрашенного процесса Пуассона, введенного в [K. Канадзава и др.; Nature 579, 364 (2020)], подчеркивая, что такой немарковский процесс может быть получен из марковской динамики с помощью переменного преобразования.

3. Статистическое сходство повторяющихся и неповторяющихся быстрых радиовсплесков (arXiv)

Автор: Кунцзюнь Чжан, Лунбяо Ли, Чжибин Чжан, Циньмэй Ли, Цзюаньцзюань Луо, Минь Цзян

Аннотация: В этой статье мы представляем выборку из 21 повторяющегося быстрого радиовсплеска (FRB), обнаруженного различными радиоинструментами до сентября 2021 года. Используя тест Андерсона — Дарлинга, мы сравнили распределения внегалактических мера дисперсии (DME) неповторяющихся FRB, повторяющихся FRB и всех FRB. Было обнаружено, что значения DME трех подвыборок имеют логарифмически нормальное распределение. DME ретрансляторов и неповторителей были взяты из другого распределения на основе критерия Манна — Уитни — Уилкоксона. Кроме того, предполагая, что неповторяющиеся FRB, идентифицированные в настоящее время, могут быть потенциально повторяющимися, т. е. повторяющиеся FRB универсальны и репрезентативны, можно использовать усредненную плотность потока повторяющихся FRB в качестве показателя, на основе которого можно получить функцию распределения кажущейся интенсивности ( IDF) со степенным индексом a1 = 1,10 ± 0,14 (a2 = 1,01 ± 0,16, наблюдаемый флюенс как статистический вариант), что хорошо согласуется с предыдущим IDF 16 неповторяющихся FRB, найденным Li et al. . Основываясь на приведенной выше статистике повторяющихся и неповторяющихся FRB, мы предполагаем, что оба типа FRB могут иметь различное космологическое происхождение, пространственное распределение и среду вокруг вспышки. Интересно, что дифференциальные распределения яркости повторяющихся и неповторяющихся FRB также могут быть хорошо описаны ломаной степенной функцией с тем же степенным индексом -1,4.

4. Универсальное поведение статистики соперников и приложения к MLB(arXiv)

Автор:Фрэнсис Лю

Выдержка . В большинстве популярных спортивных лиг, таких как MLB, NBA и NFL, ни одна из широко используемых статистических данных не учитывает силу противников, с которыми сталкивается игрок. Одной из основных причин этого является общепринятое мнение, что удача игрока имеет тенденцию выравниваться в течение сезона. Другая основная причина заключается в сложности поиска разумного алгоритма как для количественной оценки сильных сторон противников, так и для включения таких количественных оценок в перенормировку статистики игрока. В этой статье мы сначала утверждаем, что некоторые статистические данные, такие как средний заработанный пробег (ERA) или независимый питч Филдинга (FIP), могут быть значительно искажены сильными сторонами соперников в MLB. Затем мы представляем алгоритм перенормировки такой статистики, используя FIP в качестве основного примера. Это достигается за счет наблюдения за тем, что определенные статистические данные соперников для всех 30 команд в MLB (например, сбор значений FIP соперника в каждой игре в течение сезона) подчиняются универсальному распределению, вплоть до масштабирования и сдвига. Это позволяет нам установить набор данных для гипотетической средней команды и разработать статистику подачи на основе FIP, которая учитывает силу графика питчера с помощью методов, основанных на равнопроцентном приравнивании. Он называется aFIP и измеряет, каким был бы FIP питчера, если бы каждый раз, когда он подавал, он встречался с атакующей командой среднего уровня в лиге. Мы обнаружили существенную разницу между aFIP и FIP для некоторых питчеров в сезоне 2019 года, а также в другие сезоны, добавив новый инструмент для оценки игроков. Это может принести миллионы долларов разницы в контрактах с игроками и прибыли для команд, поскольку они повышают точность, с которой они приобретают игроков. Универсальное распределение, которое мы наблюдали, также имеет множество возможных будущих применений в спортивном мире.