MétaCan
Menu
Retour à la cohorte
Enregistrement W4284968483 · doi:10.48550/arxiv.2207.03437

Robustness of kinetic screening against matter coupling

2022· preprint· en· W4284968483 sur OpenAlexfundno aff
Guillermo Lara, Miguel Bezares, Marco Crisostomi, Enrico Barausse

Notice bibliographique

RevuearXiv (Cornell University) · 2022
Typepreprint
Langueen
DomaineMaterials Science
ThématiqueMachine Learning in Materials Science
Établissements canadiensnon disponible
Organismes subventionnairesHorizon 2020 Framework ProgrammeInstitut Périmètre de physique théoriqueEuropean Commission
Mots-clésRobustness (evolution)Kinetic energyPhysicsComputer scienceStatistical physicsChemistryClassical mechanics

Résumé

récupéré en direct d'OpenAlex

We investigate neutron star solutions in scalar-tensor theories of gravity with first-order derivative self-interactions in the action and in the matter coupling. We assess the robustness of the kinetic screening mechanism present in these theories against general conformal couplings to matter. The latter include ones leading to the classical Damour-Esposito-Farèse scalarization, as well as ones depending on the kinetic term of the scalar field. We find that kinetic screening always prevails over scalarization, and that kinetic couplings with matter enhance the suppression of scalar gradients inside the star even more, without relying on the non-linear regime. Fine tuning the kinetic coupling with the derivative self-interactions in the action allows one to partially cancel the latter, resulting in a weakening of kinetic screening inside the star. This effect represents a novel way to break screening mechanisms inside matter sources, and provides new signatures that might be testable with astrophysical observations.

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)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,002
Communication savante0,0010,002
Science ouverte0,0010,002
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 Opus0,054
Tête enseignante GPT0,203
Écart entre enseignants0,150 · 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'étudeSimulation ou modélisation
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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuearXiv (Cornell University)Même sujetMachine Learning in Materials ScienceTravaux en français237 207