316 Arbeiten
Die Kategorie Physik — Data-An widmet sich der Schnittstelle, an der moderne Datenwissenschaft die Grundlagen der Physik revolutioniert. Hier entstehen neue Erkenntnisse, indem riesige Datensätze aus Experimenten und Simulationen mit fortschrittlichen Algorithmen analysiert werden, um verborgene Muster im Universum zu entschlüsseln. Diese Arbeiten machen komplexe physikalische Phänomene durch datengetriebene Methoden besser verständlich und greifbar.
Auf Gist.Science durchlaufen wir jeden neuen Preprint aus arXiv in diesem Bereich systematisch. Wir bieten für jedes Werk sowohl eine zugängliche Zusammenfassung in einfacher Sprache als auch eine detaillierte technische Auswertung, damit Forscher und interessierte Laien gleichermaßen profitieren können. Unten finden Sie die neuesten Veröffentlichungen aus diesem dynamischen Forschungsfeld, direkt aus arXiv zusammengefasst.
Diese Arbeit stellt ein neues, universelles Netzwerkgenerierungsmodell vor, das durch exponentielles probabilistisches Wachstum und vari-lineares bevorzugtes Anhängen (Preferential Attachment) realweltliche Netzwerkstrukturen präziser und umfassender abbildet als herkömmliche Methoden.
Die Arbeit untersucht, wie langreichweitige, durch ein Perkolationsmodell eingeführte Korrelationen zwischen Matrixelementen die Eigenwertstatistik und Spektraldichte von Zufallsmatrizen beeinflussen, und zeigt dabei einen Übergang von fat-tailed-Verteilungen hin zur Wigner-Halbkreisverteilung bei einem kritischen Exponenten von auf.
Diese Arbeit präsentiert eine Methode zur Berechnung lokaler statistischer Kennwerte auf unvollständigen kartesischen und polaren Gittern mittels randbewusster Spektraloperatoren, die Artefakte minimieren und eine stabile Interpretation auch bei fehlenden Daten ermöglichen.
Diese Studie präsentiert die erste umfassende Bestimmung aller Haupt-Hadron-Zerfallskanäle des Higgs-Bosons am FCC-ee durch eine kombinierte Analyse von Higgs-Strahlung und Vektor-Boson-Fusion, die eine Präzision im Prozent- bis Promillebereich für die dominanten Modi erreicht und erstmals eine Empfindlichkeit für den seltenen Zerfall in Strange-Quarks demonstriert.
Diese Arbeit stellt neue Simulations-Benchmarks vor und zeigt, dass eine Kombination aus hochagostischen Energiefluss-Polynomen und Subjettiness-Variablen („Kitchen Sink") die empfindlichste Methode für die Anomalieerkennung in Teilchenkollisionen darstellt, wobei ein Bagging-Ansatz die Trainingskosten bei gleicher Leistung erheblich senkt.
Diese Studie bestimmt mittels Monte-Carlo-Simulationen die kritischen Schwellenwerte für die Perkolation auf dem Smith-Hut-Fliesentyp (1, ) und liefert präzise Werte für die Knoten- und Kantenperkolationswahrscheinlichkeiten.
Diese Studie untersucht die Entwicklung und das Training von SciML-Emulatoren für die Modal-Aerosol-Mikrophysik in E3SMv2 und zeigt, dass durch geeignete Skalierung und Konvergenzüberwachung selbst relativ einfache neuronale Netzarchitekturen Aerosolkonzentrationsänderungen unter wolkenfreien Bedingungen präzise nachbilden können.
Diese Studie wendet die Theorie der dynamischen Netzwerkmarker (DNM) auf Handelsdaten der Tokioter Börse an, um durch die Identifizierung kritischer Verlangsamungssignale frühzeitige Warnhinweise für große Kursbewegungen auf täglicher Zeitskala zu ermöglichen.
Diese Arbeit stellt das NP-schwere CriticalSet-Problem in bipartiten Abhängigkeitsnetzwerken vor, für das sie mit ShapleyCov eine theoretisch fundierte Zentralitätsmaßzahl und mit MinCov einen effizienten linearen Algorithmus entwickelt, die in Experimenten traditionelle Methoden übertreffen und nahezu optimale Ergebnisse bei deutlich geringerer Rechenzeit erzielen.
Dieser Artikel kritisiert die in der wissenschaftlichen Machine-Learning-Forschung vorherrschende Gleichsetzung von Interpretierbarkeit mit mathematischer Sparsamkeit und schlägt stattdessen eine operative Definition vor, die das Verständnis zugrunde liegender Mechanismen über die bloße Formelvereinfachung stellt, um die Integration datengetriebener Modelle in das wissenschaftliche Wissen zu ermöglichen.