Уважаемые коллеги, доброго времени суток! Представляем вам британское научное издание Journal of Statistical Mechanics: Theory and Experiment. Журнал имеет третий квартиль, издается в IOP Publishing Ltd., его SJR за 2022 г. равен 0,527, импакт-фактор 2,4, электронный ISSN - 1742-5468, предметные области - Статистическая и нелинейная физика, Статистика и вероятность, Статистика, вероятность и неопределенность. Вот так выглядит обложка:
Редактором является Ден Уильямс, контактные данные - jstat-eo@jstat.sissa.it, permissions@ioppublishing.org, customerservices@ioppublishing.org, accountsreceivable@finance.iop.org.
Журнал предназначен для широкого сообщества, интересующегося различными аспектами статистической физики, которые примерно определяются областями, представленными на конференциях под названием "Статистическая физика". Также настоятельно приветствуются материалы от экспериментаторов, работающих по всем темам, которые так или иначе связаны со статистической физикой. Журнал охватывает различные темы, которые соответствуют следующим разделам с ключевыми словами:
1. Квантовая статистическая физика, конденсированные среды, интегрируемые системы Научные руководители: Эдуардо Фрадкин и Джузеппе Муссардо;
2. Классическая статистическая механика, равновесные и неравновесные научные руководители: Дэвид Мукамель, Маттео Марсили и Джузеппе Муссардо;
3. Неупорядоченные системы, классические и квантовые научные руководители: Эдуардо Фрадкин и Риккардо Зеччина;
4. Научные руководители междисциплинарной статистической механики: Маттео Марсили и Риккардо Зеччина;
5. Научные руководители по биологическому моделированию и информации: Маттео Марсили, Уильям Бялек и Риккардо Зеччина.
Адрес издания - https://iopscience.iop.org/journal/1742-5468
Пример статьи, название - Machine learning-based prediction of Q-voter model in complex networks. Заголовок (Abstract) In this article, we consider machine learning algorithms to accurately predict two variables associated with the Q-voter model in complex networks, i.e. (i) the consensus time and (ii) the frequency of opinion changes. Leveraging nine topological measures of the underlying networks, we verify that the clustering coefficient (C) and information centrality emerge as the most important predictors for these outcomes. Notably, the machine learning algorithms demonstrate accuracy across three distinct initialization methods of the Q-voter model, including random selection and the involvement of high- and low-degree agents with positive opinions. By unraveling the intricate interplay between network structure and dynamics, this research sheds light on the underlying mechanisms responsible for polarization effects and other dynamic patterns in social systems. Adopting a holistic approach that comprehends the complexity of network systems, this study offers insights into the intricate dynamics associated with polarization effects and paves the way for investigating the structure and dynamics of complex systems through modern methods of machine learning
