TL;DR
- چکیده:.
- دکانولوشن طیفی بیزی چارچوبی مبتنی بر داده برای انتخاب مدل ریاضی و تخمین پارامتر از دادههای طیفی فراهم.
- میکند.
چه اتفاقی افتاد
چکیده:. دکانولوشن طیفی بیزی چارچوبی مبتنی بر داده برای انتخاب مدل ریاضی و تخمین پارامتر از دادههای طیفی فراهم.
میکند. اگرچه بسیار همه کاره است،.
اما با افزایش تعداد پارامترهای مدل،. نقاط داده و مدلهای کاندید،.
از نظر محاسباتی گران میشود و اغلب کاربردهای عملی را غیرممکن میکند. ما یک رویکرد شتابدهنده GPU را پیشنهاد میکنیم که در آن یک نمونهگر متوالی مونت کارلو (SMCS) بهطور.
موازی روی یک GPU اجرا میشود تا انتخاب مدل بیزی تعداد قلههای طیفی و تخمین بیزی پارامترهای تابع. اوج را انجام دهد.
آزمایشهای عددی نشان میدهند که SMCS موازیشده با GPU به سرعتهای بیش از 500 برابر نسبت به مبادله. مونت کارلو موازیشده با CPU (REMC) دست مییابد.
این روش بر روی دادههای مصنوعی طراحی شده برای تقلید طیف سنجی فوتوالکترون پرتو ایکس (XPS) و. پراش اشعه ایکس (XRD) تایید شده است.
اندازهگیریها، و همچنین بر روی طیفهای تجربی واقعی. از آنجایی که تکنیکهای اندازهگیری مانند طیفسنجی میکروسکوپی و روشهای درجا به رشد سریع حجم دادههای طیفی ادامه.
میدهند،. رویکرد پیشنهادی یک پایه محاسباتی عملی برای تجزیه و تحلیل پیشرفته مجموعه دادههای فردی ارائه میدهد.
محاسبات (stat. CO)؛ تجزیه و تحلیل دادهها، آمار و احتمال (physics.
data-an) استناد بهعنوان: (یا v1 [stat. CO] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite تاریخچه ارسال از:. Tomohiro Nabika [مشاهده ایمیل] [v1] دوشنبه،.
23 مارس 2026،. 05:.
02:. 49 UTC (1,.
960 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.