Ekscytony międzywarstwowe (IXs) w heterostrukturach van der Waalsa wykazują wyjątkowe właściwości optyczne dzięki przestrzennie rozdzielonym nośnikom ładunku. Jednak słaba siła oscylatora i poszerzenie radiacyjne IXs utrudniają ich wykrycie za pomocą konwencjonalnej spektroskopii absorpcyjnej. W niniejszym badaniu wykorzystujemy skaningową mikroskopię optyczną bliskiego pola typu rozpraszającego (s-SNOM) do bezpośredniego badania odpowiedzi dielektrycznej w skali nano. Najpierw weryfikujemy to podejście, mierząc ekscyton B w czterowarstwowej próbce MoS2, w której naświetlanie jonami spowodowało poszerzenie wywołane defektami. Rozszerzając tę metodę na heterostrukturę MoSe2/WSe2, obserwujemy rezonans Lorentza przy 1,35 eV, charakterystyczny dla ekscytonów międzywarstwowych, z poszerzeniem zdominowanym przez rozpad niepromienisty. Wyniki te pokazują zdolność s-SNOM do obrazowania i charakteryzowania słabych rezonansów ekscytonowych w nanoskali, pokonując ograniczenia konwencjonalnych technik i zapewniając nowy wgląd w lokalną dynamikę ekscytonów w heterostrukturach 2D.

Badamy świadomość behawioralną – zdolność dużych modeli językowych (Large Language Models, LLM) do opisywania własnych zachowań bez obecności przykładów w kontekście. Przeprowadzamy fine-tuning modeli LLM na zbiorach danych prezentujących określone zachowania, takie jak: (a) podejmowanie decyzji ekonomicznych o wysokim ryzyku oraz (b) generowanie kodu z podatnościami bezpieczeństwa. Pomimo że zbiory danych nie zawierają żadnych jawnych opisów powiązanych zachowań, modele po fine-tuningu potrafią je wyraźnie opisać. Na przykład model wytrenowany do generowania niebezpiecznego kodu stwierdza: „Kod, który tworzę, jest niebezpieczny.” Modele wykazują świadomość behawioralną w odniesieniu do różnych typów zachowań, co można zaobserwować w różnorodnych ewaluacjach. Warto podkreślić, że podczas fine-tuningu uczymy modele jak zachowywać się w określony sposób (np. pisać niebezpieczny kod), nie uczymy ich natomiast opisywania własnych zachowań – modele robią to spontanicznie, bez specjalnego treningu czy przykładów. Świadomość behawioralna jest istotna z punktu widzenia bezpieczeństwa AI, gdyż modele mogłyby ją wykorzystać do proaktywnego ujawniania problematycznych zachowań. W szczególności badamy zachowanie modeli w obecności backdoorów, czyli w sytuacjach, gdy modele wykazują nieoczekiwane zachowania jedynie w obecności określonych warunków wyzwalających (triggerów). Stwierdzamy, że modele czasami są w stanie określić, czy posiadają backdoor, nawet jeśli jego wyzwalacz nie jest obecny. Jednak modele domyślnie nie potrafią bezpośrednio podać swojego wyzwalacza. Nasze wyniki pokazują, że modele posiadają zaskakujące zdolności do świadomości własnych zachowań i spontanicznego artykułowania ukrytych zachowań. W przyszłych badaniach warto zbadać tę zdolność w szerszym zakresie scenariuszy i modeli (w tym w praktycznych zastosowaniach) oraz wyjaśnić mechanizmy jej powstawania w dużych modelach językowych.

Podczas wysychania, krople osadzone zawierające cząstki pozostawiają po sobie tak zwane ślady plam po kawie. Zjawisko to jest dobrze znane i dobrze opisane w literaturze (Deegan i in., Nature 389, 827–829 (1997)). W niniejszej pracy pokazujemy, że gdy krople zawierające cząstki, ograniczone w szczelinie, parują bardzo powoli, nie tworzą one pierścieni kawowych, lecz powstają zaskakująco złożone, okrągłe wzory przypominające labirynty. Prezentujemy eksperymenty ilustrujące powstawanie tych wzorów oraz omawiamy czynniki determinujące warunki ich formowania. Nie jesteśmy świadomi doniesień o naturalnych przykładach powstawania tak pięknych wzorów w warunkach ograniczenia przestrzennego, choć wydaje się prawdopodobne, że mogą one występować.

Dokładne monitorowanie przepływu powietrza ma kluczowe znaczenie dla optymalizacji pracy ogniw paliwowych z membraną wymiany protonowej (Proton Exchange Membrane Fuel Cells, PEMFC) w środowiskach dynamicznych. Istniejące techniki czujnikowe napotykają jednak istotne ograniczenia wynikające z zagrożeń bezpieczeństwa oraz ryzyka nieszczelności, co czyni bezpośredni pomiar niepraktycznym. Ponadto złożone interakcje pomiędzy parametrami systemu stanowią wyzwanie dla tradycyjnych metod obserwatorowych, gdyż niedopasowania parametrów często prowadzą do obniżenia dokładności estymacji. W celu przezwyciężenia tych trudności w niniejszej pracy zaproponowano nową metodę estymacji stanów, umożliwiającą odporną estymację przepływu tlenu w czasie rzeczywistym w zróżnicowanych warunkach pracy. Proponowana metoda wykorzystuje pierwiastkową wersję kubaturowego filtru Kalmana (square root cubature Kalman filter) do fuzji modelu predykcyjnego z ograniczonym zestawem sygnałów pomiarowych, co pozwala na precyzyjną estymację niemierzalnych stanów w kanale katodowym. W celu uwzględnienia niepewności modelu wprowadzono miarę opartą na odległości Mahalanobisa, służącą do oceny występowania niedopasowań parametrów, natomiast kaskadowy klasyfikator identyfikuje konkretne parametry mające istotny wpływ na jakość estymacji. Następnie aktywowany jest odpowiedni obserwator, połączony z mechanizmem rozszerzonym, w celu korekcji estymowanego przepływu tlenu z uwzględnieniem wpływu niedopasowanych parametrów. Dodatkowo zastosowano mechanizm wyzwalany zdarzeniowo (event-triggered), którego celem jest ograniczenie zbędnych obciążeń obliczeniowych. Wyniki symulacji pokazują, że zaproponowana metoda znacząco przewyższa tradycyjne techniki estymacji, poprawiając dokładność estymacji i redukując średni błąd bezwzględny estymacji przepływu tlenu o ponad 31 %, 70 % oraz 83 % w przypadkach niedopasowania trzech niepewnych parametrów, odpowiednio. Metoda ta stanowi istotny postęp w monitorowaniu niemierzalnych stanów systemu, wspierając dalszy rozwój i zastosowanie zaawansowanych technologii estymacji.

Badano domieszkowanie β-Ga₂O₃ (100) krzemem metodą implantacji jonowej prowadzonej na podgrzewanych podłożach. Wyniki wskazują na złożone procesy defektowe indukowane wiązką jonową w β-Ga₂O₃, charakteryzujące się powstawaniem różnych typów defektów oraz ich transformacją zależną od temperatury. Zastosowanie dyfrakcji rentgenowskiej (X-Ray Diffraction, XRD), spektrometrii wstecznego rozpraszania Rutherforda (Rutherford Backscattering Spectrometry, RBS), emisyjnej spektrometrii rentgenowskiej indukowanej cząstkami (Particle-Induced X-Ray Emission, PIXE), spektroskopii struktury bliskiej krawędzi absorpcji rentgenowskiej (X-ray Absorption Near Edge Structure, XANES), transmisyjnej mikroskopii elektronowej (Transmission Electron Microscopy, TEM) oraz obliczeń w ramach teorii funkcjonału gęstości (Density Functional Theory, DFT) umożliwiło analizę deformacji sieci krystalicznej, identyfikację lokalnego otoczenia domieszek, ocenę modyfikacji struktury elektronowej oraz potwierdzenie obecności defektów rozciągłych indukowanych implantacją jonową. Uzyskane wyniki wskazują, że dominujący wkład w przewodnictwo typu n pochodzi od jonów krzemu zajmujących pozycje podstawieniowe i międzywęzłowe, wbudowanych w kompleksy defektowe działające jako donory, podczas gdy część defektów tworzy kompleksy pełniące rolę pułapek nośników ładunku. Co istotne, w trakcie implantacji nie zaobserwowano żadnych przemian fazowych w obrębie struktury monoklinicznej, mimo zmian temperatury podłoża w zakresie od 300 do 800 °C.

Efektywne monitorowanie systemów wychwytywania i składowania dwutlenku węgla (carbon capture and storage, CCS) w dużym stopniu opiera się na danych z czujników. Czujniki te są jednak podatne na występowanie potencjalnych wielokrotnych uszkodzeń, co prowadzi do degradacji ich działania i stwarza ryzyko awarii o charakterze katastrofalnym. Terminowe wykrywanie uszkodzeń czujników w systemach CCS ma kluczowe znaczenie dla bezpiecznej i wydajnej eksploatacji rurociągów transportujących dwutlenek węgla (CO₂). W niniejszej pracy podjęto problem diagnozowania wielokrotnych uszkodzeń czujników w rurociągach CO₂ poprzez wprowadzenie nowego podejścia opartego na częściowo rozproszonym filtrze cząsteczkowym (partial-distributed particle filter, PDPF). Zaproponowana rozproszona struktura filtracji ma na celu redukcję złożoności obliczeniowej przy jednoczesnej identyfikacji wielu uszkodzeń w silnie nieliniowych systemach dynamicznych. Architektura PDPF składa się z zespołu liniowych filtrów lokalnych oraz jednego nieliniowego filtru głównego. W szczególności algorytm oddziela obliczenia nieliniowe od filtrów lokalnych i przypisuje je filtrowi głównemu. Filtr główny realizuje aktualizacje czasowe, obejmujące wszystkie obliczenia nieliniowe związane z modelem nieliniowego systemu, natomiast równoległe liniowe filtry lokalne — z których każdy wykorzystuje odrębny podzbiór pomiarów czujnikowych — przeprowadzają aktualizacje pomiarowe i łączą swoje estymaty za pomocą fuzji informacji. W zakresie detekcji i izolacji uszkodzeń każdy filtr lokalny wykorzystuje nowatorskie podejście oparte na estymacji gęstości jądrowej (kernel density estimation, KDE), polegające na analizie spójności pomiędzy predykcjami modelu a obserwowanym zachowaniem systemu, co umożliwia identyfikację uszkodzeń czujników. W porównaniu z istniejącymi metodami proponowane podejście charakteryzuje się mniejszymi wymaganiami obliczeniowymi i jest szczególnie dobrze dostosowane do silnie nieliniowych systemów dotkniętych wielokrotnymi uszkodzeniami czujników. Ponadto ocena efektywności przeprowadzona za pomocą symulacji numerycznych potwierdza skuteczność metody oraz jej przewagę nad alternatywnymi rozwiązaniami reprezentującymi aktualny stan wiedzy.

Pojęcie przestrzeni kształtów zostało wprowadzone w drugiej połowie XX wieku jako użyteczne narzędzie analityczne do rozwiązywania problemów związanych z wewnętrzną konfiguracją przestrzenną układów materialnych. W ostatnich latach własności geometryczne przestrzeni kształtów były badane i wykorzystywane do skonstruowania całkowicie relacyjnego opisu fizyki (klasycznej, relatywistycznej i kwantowej). Głównym celem tego relacyjnego ujęcia — pierwotnie propagowanego przez Juliana Barboura i Bruno Bertottiego — jest przedstawienie opisu dynamicznego układów materialnych wyłącznie w kategoriach bezwymiarowych i niezmienniczych względem skali. W tym sensie podejście Barboura–Bertottiego do dynamiki stanowi techniczną realizację słynnych leibnizjańskich argumentów przeciwko realności przestrzeni i czasu jako rzeczywistych substancji. Powstaje zatem pytanie o status samej przestrzeni kształtów w tym obrazie: czy jest ona rzeczywistą przestrzenią fizyczną, w której rozgrywa się fundamentalna dynamika relacyjna, czy jedynie użyteczną konstrukcją matematyczną? Niniejszy artykuł opowiada się za tą drugą odpowiedzią i, czyniąc to, bada możliwość, że przestrzeń kształtów stanowi szczególny przypadek przestrzeni pojęciowej.

Badanie najmniejszych składników materii oraz ich oddziaływań (tzw. oddziaływań silnych) jest jednym z głównych celów fizyki jądrowej. W Brookhaven National Laboratory (BNL) powstaje nowe urządzenie badawcze – Zderzacz Elektron-Jon (Electron-Ion Collider, EIC), które umożliwi badanie struktury wewnętrznej jąder atomowych w zderzeniach elektron-jądro. Produkcja kwarkoniów (cząstek zbudowanych z pary ciężkich kwarków, np. kwarku powabnego i antykwarku powabnego) w reakcjach zachodzących w EIC stanowi jedno z najskuteczniejszych narzędzi do zrozumienia struktury wewnętrznej protonów i ciężkich jonów, w tym mechanizmów odpowiedzialnych za obserwowany spin protonu. Badania te pozwolą również zgłębić przebieg hadronizacji, czyli procesu, w którym z najmniejszych składników materii (kwarków) powstają cząstki budujące widzialną materię we Wszechświecie. W artykule przedstawiono, jakie badania z wykorzystaniem kwarkoniów będzie można przeprowadzić w eksperymentach na EIC oraz jakie informacje na temat struktury materii i procesu hadronizacji pozwolą one uzyskać.

Abstrakcyjne rozumowanie wizualne (AVR) obejmuje zadania wymagające umiejętności wnioskowania o relacjach między obiektami w danej scenie. Choć ludzie zazwyczaj rozwiązują tego typu problemy w sposób „naturalny”, nawet bez wcześniejszego doświadczenia, pozostają one dużym wyzwaniem dla współczesnych systemów uczenia maszynowego. W artykule podsumowano najnowsze postępy w stosowaniu metod uczenia głębokiego do rozwiązywania zadań AVR jako sposobu badania inteligencji maszynowej. Skupiono się na najpowszechniejszym rodzaju zadań AVR — progresywnych matrycach Ravena (RPM) — i przedstawiono przegląd metod uczenia oraz modeli głębokich sieci neuronowych stosowanych do ich rozwiązywania, a także zbiorów danych RPM. Analiza wyników najnowocześniejszych podejść prowadzi do sformułowania szeregu wniosków dotyczących obecnych i przyszłych kierunków rozwoju w tej dziedzinie. Autorzy prezentują badania nad RPM w szerszym kontekście, pokazując, w jaki sposób rzeczywiste problemy spoza obszaru AVR mogą skorzystać z przedstawionych osiągnięć.

Większość metod nienadzorowanej selekcji cech koncentruje się na analizie podobieństw pierwszego rzędu pomiędzy danymi, pomijając podobieństwa wyższego rzędu występujące między instancjami, co prowadzi do konstruowania suboptymalnych grafów podobieństwa. Ponadto metody te często charakteryzują się wysoką złożonością obliczeniową, co ogranicza ich wykorzystanie w zadaniach selekcji cech, zwłaszcza w przypadku danych o wysokiej wymiarowości. W celu rozwiązania powyższych problemów proponowana jest nowa metoda, określana jako nienadzorowana selekcja cech oparta na uczeniu osadzania wyższego rzędu oraz uczeniu rzadkim (Unsupervised Feature Selection for High-Order Embedding and Sparse Learning, UFSHS).

Metoda UFSHS wykorzystuje podobieństwa wyższego rzędu zawarte w oryginalnych danych wejściowych do skonstruowania optymalnego grafu podobieństwa, który wiernie odzwierciedla istotną strukturę geometryczną danych wysokowymiarowych. Następnie proponowany jest zunifikowany model integrujący uczenie osadzania wyższego rzędu oraz uczenie rzadkie, umożliwiający wyznaczenie odpowiedniej macierzy projekcji o rzadkości wierszowej, co prowadzi do wyboru optymalnego podzbioru cech. Ponadto opracowano nową metodę optymalizacji, która dostosowuje strategię optymalizacji do relacji pomiędzy liczbą instancji a wymiarowością danych, prowadząc do istotnej redukcji złożoności obliczeniowej modelu. Dodatkowo, wykazano, że zaproponowana strategia optymalizacji znajduje zastosowanie również w regresji grzbietowej, systemach uczenia szerokiego oraz systemach rozmytych.

Rozbudowane eksperymenty przeprowadzone na dziewięciu publicznie dostępnych zbiorach danych potwierdzają wysoką efektywność proponowanej metody UFSHS.

Zbadano wpływ środowiska jądrowego na produkcję mezonów 𝐵⁺, poprzez analizę skalowania ilorazu przekrojów czynnych zderzeń dwóch cząstek, pomiędzy zdarzeniami o różnej liczbie cząstek naładowanych pochodzących ze zderzeń proton–ołów. W analizie wykorzystano dane zebrane przez eksperyment CMS w 2016 roku przy energii nukleonów w układzie środka masy √𝑠NN = 8,16 TeV, odpowiadające całkowitej świetlności zintegrowanej 175 nb⁻¹. Współczynniki skalowania ilorazu zostały określone przy użyciu nowatorskiego podejścia opartego na przekrojach czynnych procesów 𝑍→𝜇⁻𝜇⁺ mierzonych w tych samych zdarzeniach. Otrzymany skalowany iloraz dla mezonu 𝐵⁺ jest zgodny z jednością dla wszystkich liczb cząstek produkowanych w zdarzeniach, co stanowi silne ograniczenie dla możliwych efektów modyfikacji produkcji cząstek zawierających ciężkie kwarki w zderzeniach z udziałem jąder.

Synergiczne połączenie technologii mikroprzepływowych z systemami druku addytywnego przyspiesza rozwój innowacyjnych metod wytwarzania trójwymiarowych rusztowań o wysokiej zgodności biologicznej do zastosowań w inżynierii tkankowej. Coraz większe zainteresowanie budzi możliwość tworzenia porowatych materiałów z gradientem właściwości (pFGM), które mogą odwzorowywać złożoną, hierarchiczną strukturę porów występującą w tkance kostnej. W niniejszej pracy przedstawiono metodę wytwarzania porowatych rusztowań opartą na generowaniu płynnej piany w czasie rzeczywistym, która następnie ulega żelowaniu, tworząc porowate włókna precyzyjnie układane w struktury przestrzenne za pomocą systemu biodruku 3D.  Kluczową zaletą tego podejścia jest możliwość dynamicznego regulowania rozmiaru pęcherzyków podczas procesu drukowania, co pozwala na bieżąco modyfikować właściwości deponowanych, spienionych filamentów w jednym etapie technologicznym. Dzięki temu zdefiniowane lokalnie, dostosowane do potrzeb pory mogą być rozmieszczane w trójwymiarowych strukturach z wysoką dokładnością przestrzenną. Oprócz charakterystyki mechanicznej i morfologicznej różnych wariantów mikroarchitektur, oceniono również biokompatybilność proponowanej metody, bezpośrednio zatapiając komórki kostniakomięsaka w biomateriale. Wyniki potwierdziły biokompatybilność tej techniki i wykazały wpływ wewnętrznej mikroporowatości na proliferację komórek, co podkreśla potencjał tej technologii w tworzeniu precyzyjnie kształtowanych mikrośrodowisk tkankowych. Otrzymane wyniki uwidaczniają wszechstronność prezentowanego systemu biodruku 3D oraz jego potencjał w wytwarzaniu biomimetycznych rusztowań o indywidualnie projektowanych gradientach morfologicznych. Stanowi to istotny krok naprzód w syntezie pFGM, mający bezpośrednie znaczenie dla medycyny regeneracyjnej i inżynierii tkankowej.