Уважаемые коллеги, доброго времени суток! Представляем вам сингапурское научное издание International Journal of Modern Physics A. Журнал имеет второй квартиль, издаётся в World Scientific Publishing Co. Pte Ltd., его SJR за 2022 г. равен 0,486, импакт-фактор 1,6, печатный ISSN - 0217-751X, электронный - 1793-656X, предметные области - Атомная, молекулярная физика и оптика, Астрономия и астрофизика, Ядерная физика и физика высоких энергий. Вот так выглядит обложка:
Здесь четыре редактора - Игнатиос Антониадис, контактные данные -antoniad@lpthe.jussieu.fr, Ignatios.Antoniadis@cpht.polytechnique.fr.
Аиялам Балачандран - apbal1938@gmail.com,
Параскевас Спикас - sphicas@phys.uoa.gr; paris.sphicas@cern.ch
и Изуми Цуцуи - izumi.tsutsui@kek.jp.
Основанный в 1986 году, IJMPA приобрел международную репутацию высококачественного научного журнала. Он состоит из важных обзорных статей и оригинальных статей, освещающих последние научные разработки в области частиц и полей, а также избранные темы, пересекающиеся с гравитацией и космологией. В журнале также публикуются статьи, имеющие давнюю ценность и важность, которые могут иметь жизненно важное значение для исследований в новых неизведанных областях.
Адрес издания - https://www.worldscientific.com/worldscinet/ijmpa
Пример статьи, название - Surrogate model of particle accelerators using encoder–decoder neural networks with physical regularization. Заголовок (Abstract) - Accelerator engineering could benefit from faster and higher-quality physics simulations. Machine learning has emerged as a promising tool for developing accelerator simulation programs that are both fast and accurate. In this study, we propose a surrogate model based on encoder–decoder neural networks. We incorporate physical regularization into the loss function, which allows us to integrate prior physical knowledge into the deep learning network. The advantage of this regularization is that it ensures the results are more consistent with the underlying physical laws. The method was applied to beam dynamics modeling of the medium energy beam transport (MEBT) section in the China Accelerator Facility for Superheavy Elements (CAFe II). The final results indicate that after training, the network maintains a mismatch, emittance difference, and transmission efficiency of approximately 0.01. Our scheme has been demonstrated to be effective in the simulation of the accelerator’s beam dynamics.
Keywords: Particle accelerators; machine learning; encoder–decoder neural networks; physical regularization
