物理学
Physics
加速器物理
Accelerator Physics
应用物理学
Applied Physics
大气与海洋物理学
Atmospheric and Oceanic Physics
奥林匹克级物理学问题的解决对人类和人工智能(AI)都构成了重大挑战,因为它需要精确计算,抽象推理和对物理原理的基本掌握的复杂集成。 中国物理奥林匹克竞赛(CPhO)以其复杂性和深度而闻名,是这些先进能力的理想和严格的试验台。 在本文中,我们介绍了LOCA-R(用于推理的LOGOC链增强),这是适应复杂推理的LOCA框架的改进版本,并将其应用于CPhO 2025理论考试。 LOCA-R在320分中取得了313分的近乎完美的得分,稳固地超过了得分最高的人类竞争对手,并显着优于所有基线方法。
本文对Vega飞行计算机及其相应的地面站进行了深入分析,CATS是一家生产开源飞行计算机和为学生制造的火箭量身定制的跟踪系统的公司。 这些飞行计算机旨在支持火箭达到高达30公里甚至更高的高度,在推进教育火箭和促进航空航天工程的实践学习经验方面起着至关重要的作用。 作为欧洲火箭挑战赛(EuRoC)的官方赞助商,这些飞行计算机已成为比赛不可或缺的一部分,提供了可靠和复杂的遥测和控制能力,增强了安全性和性能。 本文深入探讨了这些系统的技术规格和教育影响,强调了它们为更广泛的欧洲火箭计划的贡献。 通过最近欧洲火箭挑战赛的全面实地数据和案例研究,这项研究强调了开源飞行计算机激发下一代航空航天专业人员的潜力。
ABET认证是一个日益突出的全球工程认证系统,评估要求计划证明他们满足计划的利益相关者的需求,通常是毕业生的工业潜在雇主。 为了获得这些投入,需要组织一个咨询委员会。 顾问委员会对学位结果相关性的看法是这一进程的重要组成部分。 这项定性研究的目的是探索行业利益相关者对这类过程的看法。 该研究的背景是厄瓜多尔的一个工程项目,该计划已成功获得ABET认证。 这项研究借鉴了对作为咨询委员会一部分的行业成员进行的访谈。 这项研究的重点是他们如何看待这个过程和授予的认证,分析他们的观点,特别是与毕业生的就业能力有关的观点。 根据调查结果,当认证过程发生在高度工业化国家以外的环境中时,我们提供了对认证过程的重要见解。
随着人工智能生成的内容(AIGC)重塑知识获取,高等教育面临着越来越多的不平等,需要系统映射和干预。 我们通过将网络科学与南京大学301名学生的调查证据相结合,绘制了本科教育中的人工智能鸿沟,这是中国领先的人工智能教育机构之一。 利用课程注册模式构建学科网络,我们确定了四个不同的学生社区:科学优势,科学外围,社会科学,人文和社会科学。 调查结果显示,AIGC素养和激励效率存在显著差异,科学优势学生优于人文和社会科学同行。 普通最小二乘(OLS)回归表明,动机效率 - 特别是技能功效 - 部分介导这种差距,而使用功效在评估级别上不介导,表明感知效用与关键参与之间的分离。 我们的研究结果表明,课程结构和跨学科整合是技术流畅性的关键决定因素。 这项工作为通过机构设计进行诊断和解决人工智能鸿沟提供了一个可扩展的框架。
功率晶体管的开关损耗一般使用所谓的双脉冲方法测量。 测量两个开关单元的对立面是一种互补的方法,更准确但间接。 然而,实施这种方法可能更复杂,需要校准步骤和全面控制,增加了热管理问题。 在这方面,我们建议通过开放和协作科学来讨论这个话题,首先以为期两天的黑客马拉松的形式,然后是每月的公开会议。 超过20名参与者为为期两天的黑客马拉松做出了贡献,随后为希望继续合作的人举办了每月会议。 这使我们能够在开放科学领域建立一个自动化的台板凳,包括切换命令的生成、测量仪器的配置和控制以及硬件部分。 在这里,我们介绍并分享我们的工作和这种开放的方法。
人工智能,特别是大型语言模型(LLM),如ChatGPT,已经彻底改变了教育工作者的工作方式。 我们从LLM获得的结果取决于我们如何要求他们帮助我们。 有效输入的过程和技术称为提示工程。 这项研究的目的是调查中学教育中的科学教育工作者是否在适当的快速工程培训后,提高了他们对ChatGPT作为学习助理的态度。 本文提出的试点研究结果表明,上述教师的看法有所改善。
量子计算是一个快速发展的领域,包括物理,数学,计算机工程和计算机科学等各种学科。 以简洁有效的方式教授量子计算可能具有挑战性,特别是在单一课程或短期的时间限制内,即使是研究生。 这一挑战在为期两年的硕士课程中尤其重要,其中包括论文,这是美国和欧洲高等教育系统中的典型结构。 在本文中,作者提出了一种教授量子计算的方法,并分享了他们在两周的时间内就该主题进行课程章节的经验。 本文报告的经验被纳入“计算机系统技术”(TCS)课程,总工作量为6 ECTS(在欧洲信用转移和积累系统的背景下,一个ECTS对应28小时的工作),在四分之一的时间内进行,超过七周。 课程章节的结构进行了讨论,涉及一系列讲座,伴随着实验室课程和实验室项目,让学生接受指导,同时也从事动手学习和独立学习。 本文概述了所涵盖的量子计算主题及其在TSC课程中的整合,并详细介绍了这些主题如何在不同类型的课程中进行研究。 它还讨论了评估程序,并介绍了所获得的结果。 可以得出结论,量子计算组件的加入不仅大大增加了学生对课程的兴趣,而且还有效地弥合了工程学生的经典和量子计算之间的差距,在短短两周内。
生成式人工智能(AI)和相关技术的快速出现有可能极大地影响高等教育,引发对机构、教育工作者和学生在技术丰富未来中的作用的质疑。 虽然现有话语通常强调人工智能的前景和危险,或者它立即实施,但本文提出了第三条道路:指导人工智能在教学和学习中使用的原则性框架。 利用数十年的学习科学奖学金和在教育中的技术使用,我阐明了一套原则,将我们的教育目标与可操作的实践联系起来。 这些原则明确了教育工作者,学习者和技术在制定课程,设计教学,评估学习和培养社区方面各自的作用。 这篇文章说明了一个原则性的方法如何使高等教育能够驾驭新工具,同时保持其基本使命:推进有意义的学习,支持民主社会,并为学生准备充满活力的未来。 最终,该框架旨在确保人工智能增强而不是取代人类的能力,使技术使用与持久的教育价值观和目标保持一致。
机器学习(ML)的进步为科学教育研究提供了新的可能性。 我们报告基于ML的工具设计的早期进展,以分析学生的机械感应,从一个与以前在物理教育研究(PER)的工作相一致的编码方案工作,并适应最近使用语言编码器开发的ML分类策略。 我们描述了该工具的试点测试,在三个版本中使用不同的语言编码器,以分析大学生对简短概念问题的书面答复中明显的意义。 结果表明,首先,该工具的感官测量可以与人类编码器达成有用的协议,其次,编码器设计选择需要在准确性和计算费用之间进行权衡。 我们讨论了这种方法的前景和局限性,提供了这种测量方案将来如何为PER服务的例子。 最后,我们反思了使用ML来支持PER研究,对PER和ML之间的共同设计策略持谨慎乐观态度。
作者于2010年生成的复杂系统关键词图已被广泛用于各种教育和科普目的，但确实需要进行重大更新和重组。本短文报告了我们最近尝试使用从以下多个来源收集的信息来更新关键词图：(a) 社交媒体上发布的集体反馈，(b) 关于复杂系统和网络科学的最新参考书籍，(c) 关于复杂系统的在线资源，以及(d) 使用OpenAlex（一个开放获取的科学出版物书目目录）获得的关键词搜索命中次数。数据(a)、(b)和(c)用于整合研究社区对相关主题的内部认知，而数据(d)则用于从复杂系统科学出版物中获得关键词相关性和关联的更客观测量。结果显示，在复杂系统出版物中，公众认知与关键词实际使用之间存在差异和重叠。从关键词关联网络中获得了四个主题社区，尽管它们彼此高度交织。我们希望最终的复杂系统关键词网络可视化能够提供截至今日该领域更最新、准确的主题地图。
量子技术(QT)的快速发展创造了对专业劳动力日益增长的需求,跨越学术界和工业界。 这项研究通过系统地提取和分类全球数千个招聘职位,对QT就业市场进行了定量分析。 分类管道利用大型语言模型(LLM),同时采用“人机循环”验证过程,以确保可靠性,实现F1分数89
大型语言模型(LLM)越来越多地被认为是科学教育的辅导辅助工具。 然而,他们在本科教学中无监督使用的意愿仍然不确定,因为可靠的教学需要的不仅仅是流利的回忆:它需要一致的,有原则的推理。 热力学以其紧凑的定律和状态和路径功能,可逆性和熵之间的微妙区别,为评估这些能力提供了理想的测试平台。 在这里,我们介绍了UTQA,一个50项本科热力学问答基准,涵盖理想的气体过程,可逆性和图表解释。 没有领先的2025年模型超过我们95%的能力阈值:最好的LLM获得了82%的准确率,仅文本项目的表现优于图像推理任务,这通常下降到机会水平。 提示短语和句法复杂性显示与性能的相关性不大。 差距集中在有限率/不可逆的场景和结合视觉特征与热力学意义,表明目前的LLM还不适合在这一领域的无监督辅导。
对开放式调查回复进行定性分析是社会科学中常用的研究方法,但传统的编码方法往往耗时且容易不一致。 自然语言处理的现有解决方案,如监督分类器,主题建模技术和生成式大型语言模型在定性分析中的适用性有限,因为它们需要广泛的标记数据,破坏既定的定性工作流程和/或产生可变结果。 在本文中,我们引入了一个基于文本嵌入的分类框架,每个类别只需要几个示例,并且与标准定性工作流程相适应。 当以人类分析由2899个开放式响应组成的概念物理调查为基准时,我们的框架实现了Cohen的Kappa范围从0.74到0.83,而专家人类编码器在一个详尽的编码方案中。 我们进一步展示了该框架的性能如何通过微调文本嵌入模型而得到改善,以及该方法如何用于审计先前分析的数据集。 这些发现表明,文本嵌入辅助编码可以在不牺牲可解释性的情况下灵活扩展到数千个响应,为大规模演绎定性分析开辟了途径。
量子计算(QC)有望成为一项变革性技术,对各种应用领域产生影响,如优化、密码学和材料科学。 然而,该技术具有清晰的学习曲线,量子系统的实际评估和表征仍然复杂而具有挑战性,特别是对于从计算机科学到量子计算领域的学生和新人来说。 为了解决这一教育差距,我们介绍了Q-BEAST,这是一个实用的课程,旨在提供量子计算系统实验分析的结构化培训。 Q-BEAST提供的课程,将量子计算的基础概念与实际量子系统的基准和性能评估的实用方法和用例相结合。 通过理论教学和动手实验,学生在评估真实量子技术的优势和局限性方面获得经验。 为此,Q-BEAST支持下一代量子计算用户和开发人员的教育。 此外,它还明确促进了高性能计算(HPC)和QC在研究和教育方面的更深层次的整合。
我们提出了一种方法,通过提示链和工具使用使用ChatGPT生成大量同构物理问题。 这种方法能够精确控制结构变化,如数值和空间关系,同时支持问题体中的不同上下文变化。 通过使用Python代码解释器,该方法支持自动解决方案验证和简单的图表生成,解决现有基于LLM的方法的关键限制。 我们生成了两个同构问题银行示例,并将结果与更简单的基于提示的方法进行了比较。 结果表明,与更简单的非链式提示相比,快速链式链产生显着更高的质量和更一致的输出。 这项工作展示了一种有前途的方法,使普通教师能够访问有效的问题创建,这为个性化自适应测试和自动化内容开发开辟了新的可能性。
本报告提出了通过专门的实践编程实验室向电气工程计算机科学(EECS)学生教授量子计算的实用方法。 实验室涵盖各种主题,包括基本元素,如纠缠,量子门和电路,以及高级算法,包括量子密钥分发,Deutsch和Deutsch-Jozsa算法,Simon的算法和Grover的算法。 作为教育工作者,我们的目标是与该领域的教师分享我们的教学见解和资源。 完整的实验室讲义和程序模板提供给感兴趣的教师。 此外,报告阐明了每个实验设计背后的原理,从而加深对量子计算的理解。
生成式AI最近对各个领域产生了深远的影响,包括日常生活、研究和教育。 为了探索其在数据驱动材料科学方面的有效利用,我们在2024年7月组织了一次黑客马拉松 - AIMHack2024。 在这次黑客马拉松中,来自材料科学,信息科学,生物信息学和凝聚态物理学等领域的研究人员共同探索生成式AI如何促进研究和教育。 根据黑客马拉松的结果,本文介绍了与(1)进行AI辅助软件试验,(2)为软件构建AI导师,(3)开发用于软件的GUI应用程序有关的主题。 虽然生成式AI继续快速发展,但本文提供了其在数据驱动材料科学中的应用的早期记录,并强调了将AI整合到研究和教育中的策略。
随着量子信息科学的进步和对大学前参与的需求的增长,一个关键问题仍然存在:年轻学习者如何准备参与一个与他们以前遇到的完全不同领域的领域? 本文认为,迎接这一挑战将需要与学习科学(LS)进行强有力的跨学科合作,学习科学是一个致力于了解人们如何学习和设计理论指导环境以支持学习的领域。 根据以前的STEM教育工作的经验教训,我们讨论了学习科学对量子信息科学(QIS)教育的两个主要贡献。 第一个是基于设计的研究,学习科学的标志性方法,它可以为有效的QIS学习经验的开发,改进和扩展提供信息。 第二个是重塑学习者如何推理,学习和参与QIS实践的框架,通过知识表征的转变,提供新的参与形式和相关学习。 我们呼吁量子信息科学与学习科学之间的双向伙伴关系,这不仅支持量子概念和实践的学习,而且还提高了我们对如何在高度复杂的领域教授和支持学习的理解。 我们还考虑了与这些学科社区建立联系有关的潜在问题,并认为理论和实践利益证明了这一努力的合理性。
这项研究通过在三个结构化学习活动中采用TPACK引导的SWOT框架,研究人工智能驱动的聊天机器人在物理教师教育中的战略和认识论责任。 在大学级关于物理教学创新工具的顶点课程中进行,活动通过聊天机器人辅助任务针对技术,教学和内容知识(TPACK)的关键交叉点:简化抽象物理概念,构建符号概念图和设计教学场景。 利用参与者的反思,课堂文物和迭代反馈,结果突出了内部优势,如增强的信息寻求行为,脚手架教学规划,以及对符号推理的支持。 与此同时,内部弱点出现了,包括特定领域的不准确性,符号限制(例如LaTeX错误渲染)以及过度依赖AI输出的风险。 在促进包容性教育,多语种参与和扩大近端发展区(ZPD)方面发现了外部机会,而外部威胁包括快速注入风险,机构访问缺口和网络安全漏洞。 通过扩展现有的基于TPACK的模型,包括AI素养,快速制作能力和认识论验证协议等结构,这项研究为将AI嵌入STEM教师准备提供了一个理论上基础和实际可行的路线图。 研究结果证实,如果实施与数字流畅性培训和机构支持相结合,人工智能聊天机器人可以支持物理教育中的元认知反射、伦理推理和教学创新。
背景导向纹影(BOS)是一种强大的流动可视化技术。然而，BOS的广泛应用因其对科学相机、计算硬件和专用分析软件的依赖而受到阻碍。在这项工作中，我们旨在通过提供一个名为"Pocket Schlieren"的基于智能手机的科学工具来普及BOS技术。Pocket Schlieren使用户能够直接在智能手机上捕获、处理和可视化流动现象。其核心算法结合了连续帧差分(CFS)和光流(OF)技术来计算流动内部的密度梯度。该算法在工程背景图案和自然背景图案上均能有效工作。使用Pocket Schlieren，我们成功可视化了蜡烛火焰、丁烷打火机、热烙铁、房间加热器、浸水加热棒和大型室外丁烷火焰产生的流动。Pocket Schlieren有望成为科学和教育用途的经济而强大的工具。我们已将其公开发布在doi: 10.5281/zenodo.10949271。
继续滚动加载更多
