Sur une imagerie électromagnétique rapide d'écrans minces en demi-espace affecté d'inclusions aléatoires.
Bibliographic record
Abstract
Nous considérons lors de cette présentation un problème inverse de diffraction électromagnétique bidimensionnel (scalaire) dans lequel le but est la détermination d'inclusions minces pénétrables (correspondant à un ou plusieurs écrans diélectriques et/ou magnétiques) qui sont complètement enfouies au sein d'un demi-espace connu mais affecté d'une distribution aléatoire de petites inclusions (par le nombre, la position dans le domaine de recherche, le contraste électromagnétique par rapport à l'environnement). Un algorithme non-itératif ("rapide") de reconstruction de la forme de ces écrans est proposé et résumé. Il est basé sur le fait que la matrice Multi-Statique de Réponse (MSR) en régime harmonique qui peut être collectée à plusieurs fréquences d'opération (on imagine le demi-espace inférieur illuminé par un ensemble d'ondes planes sous plusieurs incidences et l'amplitude de diffraction en champ lointain obtenue dans plusieurs directions) est modélisable via une formule de développement asymptotique des amplitudes de diffraction, formule prenant en compte écrans et inclusions perturbatrices. Ce modèle montre qu'une analyse en valeurs singulières appropriée de cette matrice MSR et l'introduction et le calcul d'une fonctionnelle image, impliquant toutes les fréquences d'opération, permet de reproduire le ou les écrans recherchés. Des exemples numériques variés montrent que cette approche fonctionne convenablement, même avec une quantité certaine d'inclusions. Ce travail se développe dans la perspective d'une meilleure prise en compte de l'incertain en imagerie rapide non-itérative.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".