MétaCan
Menu
Retour à la cohorte
Enregistrement W4412830470 · doi:10.1126/sciadv.adx1338

Noise-enhanced stability in synchronized systems

2025· article· en· W4412830470 sur OpenAlexaff
Zhan Shi, Qiangfeng Lü, Mengqi Fu, Xuefeng Wang, Zhilong Huang, Xueyong Wei, Marco Amabili, Ronghua Huan

Notice bibliographique

RevueScience Advances · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueNonlinear Dynamics and Pattern Formation
Établissements canadiensMcGill University
Organismes subventionnairesNatural Science Foundation of Zhejiang ProvinceNational Natural Science Foundation of China
Mots-clésSynchronization (alternating current)Noise (video)White noiseStability (learning theory)Control theory (sociology)Computer scienceInterference (communication)Position (finance)Biological systemTelecommunicationsBiologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Synchronization underpins coherence in natural and engineered systems, unifying dynamics and countering noise while remaining vulnerable to disturbances threatening the stability and risking desynchronization. Here, we present a counterintuitive approach: harnessing noise to dilute the energy of unwanted fluctuations from external disturbances, thereby enhancing stability while preserving synchronization through the system's inherent noise suppression at the synchronized frequency. Through experiments with micromechanical oscillators and macroscale rotors, combined with stochastic averaging analysis, we show that this noise dilution effect improves synchronization efficiency, bolsters resistance to interference, and enhances long-term frequency stability. These findings position white noise of appropriate intensity as a dilution element for mitigating unwanted disturbances, providing previously unidentified insights into stability and resilience in complex synchronized systems.

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: Simulation ou modélisation · Signal consensuel: aucune
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
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
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 Opus0,009
Tête enseignante GPT0,275
Écart entre enseignants0,266 · 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

Citations10
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetNonlinear Dynamics and Pattern FormationTravaux en français237 207