MétaCan
Menu
Retour à la cohorte
Enregistrement W2591998777 · doi:10.1038/srep40415

Laser-Accelerated Proton Beams as Diagnostics for Cultural Heritage

2017· article· en· W2591998777 sur OpenAlexafffund
M. Barberio, S. Veltri, M. Scisciò, P. Antici

Notice bibliographique

RevueScientific Reports · 2017
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueLaser-Plasma Interactions and Diagnostics
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesLawrence Livermore National LaboratoryNatural Sciences and Engineering Research Council of CanadaFonds de recherche du Québec – Nature et technologiesUniversità della CalabriaMinistero dell’Istruzione, dell’Università e della RicercaCompute CanadaEuropean Social FundRegione CalabriaU.S. Department of Energy
Mots-clésProtonLaserSample (material)Cultural heritageMaterials scienceIrradiationArtifact (error)OpticsNuclear engineeringComputer sciencePhysicsNuclear physicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This paper introduces the first use of laser-generated proton beams as diagnostic for materials of interest in the domain of Cultural Heritage. Using laser-accelerated protons, as generated by interaction of a high-power short-pulse laser with a solid target, we can produce proton-induced X-ray emission spectroscopies (PIXE). By correctly tuning the proton flux on the sample, we are able to perform the PIXE in a single shot without provoking more damage to the sample than conventional methodologies. We verify this by experimentally irradiating materials of interest in the Cultural Heritage with laser-accelerated protons and measuring the PIXE emission. The morphological and chemical analysis of the sample before and after irradiation are compared in order to assess the damage provoked to the artifact. Montecarlo simulations confirm that the temperature in the sample stays safely below the melting point. Compared to conventional diagnostic methodologies, laser-driven PIXE has the advantage of being potentially quicker and more efficient.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,029
Tête enseignante GPT0,315
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations79
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetLaser-Plasma Interactions and DiagnosticsTravaux en français237 207