physics.data-an Arbeiten

Enhancing Reconstruction Capability of Wavelet Transform Amorphous Radial Distribution Function via Machine Learning Assisted Parameter Tuning

Diese Studie stellt das verbesserte WT-RDF+-Framework vor, das durch maschinelles Lernen optimierte Parameter nutzt, um die Amplitudengenauigkeit der Wellenpaket-Transformierten Radialverteilungsfunktion für die Rekonstruktion der atomaren Struktur von amorphen Ge-Se- und Ag-Ge-Se-Materialien signifikant zu steigern und dabei konventionelle ML-Modelle zu übertreffen.

Deriyan Senjaya, Stephen Ekaputra LimantoroWed, 11 Ma🔬 cond-mat.mtrl-sci

Leveraging chaotic transients in the training of artificial neural networks

Die Studie zeigt, dass künstliche neuronale Netze durch das Ausnutzen von chaotischen Transienten bei ungewöhnlich hohen Lernraten in einen Zustand des Gleichgewichts zwischen Exploration und Exploitation übergehen, was zu einer signifikanten Beschleunigung des Trainings führt.

Pedro Jiménez-González, Miguel C. Soriano, Lucas LacasaTue, 10 Ma🤖 cs.LG

A Thermodynamic Structure of Asymptotic Inference

Die Arbeit entwickelt ein thermodynamisches Rahmenwerk für die asymptotische Inferenz, das Shannon-Information als Entropie behandelt und zeigt, dass Inferenzprozesse als entgegengesetzte Schattenprozesse zur Ensemblephysik innerhalb einer vereinheitlichten thermodynamischen Beschreibung evolvierten.

Willy WongTue, 10 Ma🔬 physics

GNN For Muon Particle Momentum estimation

Diese Arbeit zeigt, dass Graph Neural Networks (GNNs) die Momentum-Schätzung von Myonen im CMS-Experiment im Vergleich zu traditionellen Modellen wie TabNet verbessern und dass die Dimension der Knotenmerkmale entscheidend für die Effizienz des GNN ist.

Vishak K Bhat, Eric A. F. Reinhardt, Sergei GleyzerTue, 10 Ma🤖 cs.LG

Learning the Standard Model Manifold: Bayesian Latent Diffusion for Collider Anomaly Detection

Die Autoren stellen einen physikinformierten Anomalieerkennungsframework für Kollidierdaten vor, der auf einem bayesschen latenten Diffusionsmodell basiert und durch die Kombination von probabilistischer Kodierung, Diffusionsdynamik und physikalischen Randbedingungen eine stabile Dichteschätzung sowie zuverlässige Unsicherheitsschätzung für die Suche nach neuer Physik am LHC ermöglicht.

Jigar Patel, Tommaso DorigoTue, 10 Ma🔬 physics

Experimentally Resolving Gravity-Capillary Wave Evolution in Vessels of Unknown Boundary Conditions

Die Studie stellt Extracted Mode Tracking (EMT) vor, ein datengetriebenes Framework, das mithilfe von unüberwachtem maschinellem Lernen die zeitlich aufgelöste Dynamik von Wellenmoden in Fluiden mit unbekannten Randbedingungen direkt aus experimentellen Messdaten extrahiert und so theoretische Modellierungsprobleme umgeht.

Sean M. D. Gregory, Vitor S. Barroso, Silvia Schiattarella, Anastasios Avgoustidis, Silke WeinfurtnerTue, 10 Ma🔬 physics

Universal electronic manifolds for extrapolative alloy discovery

Diese Studie stellt einen rechnerisch effizienten Rahmen für die beschleunigte Entdeckung von Legierungen vor, der die nicht-wechselwirkende Elektronendichte als übertragbaren Deskriptor nutzt, um durch Bayes'sches aktives Lernen und Zero-Shot-Extrapolation die Eigenschaften komplexer hochentropischer Legierungen mit minimalem Trainingsaufwand präzise vorherzusagen.

Pranoy Ray, Sayan Bhowmik, Phanish Suryanarayana, Surya R. Kalidindi, Andrew J. MedfordTue, 10 Ma🔬 cond-mat.mtrl-sci

Pseudo-Coherence and Stochastic Synchronization: A Non-Normal Route to Collective Dynamics without Oscillators

Die Studie identifiziert „Pseudo-Kohärenz" als einen neuen Mechanismus, bei dem nicht-normale pseudospektrale Verstärkung in linear stabilen, stochastischen Systemen ohne intrinsische Oszillatoren zu intermittierender kollektiver temporaler Organisation und scheinbaren Rhythmen führt.

V. Troude, D. SornetteTue, 10 Ma🔬 physics

Turning Time Series into Algebraic Equations: Symbolic Machine Learning for Interpretable Modeling of Chaotic Time Series

Die vorgestellte Arbeit entwickelt zwei interpretierbare symbolische Lernverfahren (SyNF und SyTF), die aus chaotischen Zeitreihen explizite algebraische Gleichungen ableiten und dabei eine mit modernen Deep-Learning-Modellen konkurrierende Vorhersagegenauigkeit mit wissenschaftlicher Nachvollziehbarkeit verbinden.

Madhurima Panja, Grace Younes, Tanujit ChakrabortyTue, 10 Ma🤖 cs.LG

Dissecting Spectral Granger Causality through Partial Information Decomposition

Diese Arbeit stellt die Partial Decomposition of Granger Causality (PDGC) vor, eine Methode, die mithilfe der Partial Information Decomposition und frequenzbasierten Zustandsraummodellen redundante und synergistische kausale Wechselwirkungen in physiologischen Netzwerken aufdeckt und so neue Einblicke in autonome Dysfunktionen bei Patienten mit Neurally bedingter Synkope liefert.

Luca Faes, Gorana Mijatovic, Riccardo Pernice, Daniele Marinazzo, Sebastiano Stramaglia, Yuri AntonacciTue, 10 Ma🔬 physics

Adaptive Entropy-Driven Sensor Selection in a Camera-LiDAR Particle Filter for Single-Vessel Tracking

Diese Arbeit stellt einen adaptiven, entropiegesteuerten Sensorauswahlmechanismus für einen Kamera-LiDAR-Partikelfilter vor, der in einer realen maritimen Testumgebung in Zypern nachweist, dass durch die dynamische Auswahl der informativsten Sensorkonfiguration eine robuste Einzel-Schiff-Verfolgung mit einem optimalen Kompromiss zwischen Genauigkeit und Kontinuität erreicht wird.

Andrei Starodubov, Yaqub Aris Prabowo, Andreas Hadjipieris, Ioannis Kyriakides, Roberto GaleazziTue, 10 Ma🤖 cs.LG

Probabilistic Analysis of Event-Mode Experimental Data

Diese Studie stellt eine neue Methodik zur Analyse von Neutronenstreu-Ereignisdaten vor, die auf Histogrammierung und Least-Squares-Fitting verzichtet und somit präzisere Parameterwerte sowie eine deutlich höhere Effizienz bei reduzierten systematischen Fehlern ermöglicht, wenngleich auf Kosten einer geringeren Intuitivität und längerer Rechenzeit.

Phillip M. Bentley, Thomas H. RodThu, 12 Ma🔬 physics

Maximum entropy temporal networks

Die Arbeit stellt einen Maximum-Entropie-Ansatz für zeitliche Netzwerke vor, der durch die Faktorisierung in globale Zeitprozesse und statische Kantenwahrscheinlichkeiten geschlossene Formeln für Likelihoods und Netzwerkmetriken liefert und dabei nicht-homogene Poisson-Prozesse zur effektiven Generierung und Modellierung von Interaktionen nutzt.

Paolo BaruccaThu, 12 Ma🔬 physics

Estimating Detector Error Models on Google's Willow

Diese Arbeit präsentiert Algorithmen zur direkten Schätzung von Detektor-Fehlermodellen (DEMs) aus Syndromdaten ohne Decoder, validiert diese an Google's Willow-Chips und nutzt sie zur Analyse von Fehlerkorrelationen sowie zur Identifizierung von Abweichungen wie strahlungsbedingten Ereignissen, wobei sich herausstellt, dass direkt geschätzte DEMs besser für die Vorhersage neuer Syndrome geeignet sind, während für die Dekodierung optimierte Modelle in logischen Speicherexperimenten überlegen sind.

Kregg Elliot Arms, Martin James McHugh, Joseph Edward Nyhan, William Frederick Reus, James Loudon UlrichThu, 12 Ma⚛️ quant-ph

Bayesian Hierarchical Models and the Maximum Entropy Principle

Die Arbeit zeigt, dass die abhängige Randverteilung in bayesschen hierarchischen Modellen, bei denen die bedingte Prior-Verteilung eine kanonische Maximum-Entropie-Verteilung ist, ebenfalls eine Maximum-Entropie-Eigenschaft bezüglich einer anderen Randverteilungsbedingung aufweist, was die impliziten Annahmen solcher Modelle verdeutlicht.

Brendon J. BrewerThu, 12 Ma📊 stat

A mapping-based projection of detailed kinetics uncertainty onto reduced manifolds

Die Studie stellt ein zweistufiges, rechnerisch effizientes Framework vor, das Unsicherheiten detaillierter chemischer Kinetikparameter durch Projektion auf reduzierte Mannigfaltigkeiten quantifiziert und damit eine skalierbare, räumlich aufgelöste Unsicherheitsanalyse für komplexe Verbrennungssimulationen ermöglicht.

Vansh Sharma, Shuzhi Zhang, Rahul Jain, Venkat RamanThu, 12 Ma🔬 physics

Symbolic Higher-Order Analysis of Multivariate Time Series

Die vorgestellte Studie entwickelt eine Methode zur Identifizierung höherer Ordnungs-Abhängigkeiten in multivariaten Zeitreihen, indem sie Daten in symbolische Sequenzen transformiert und statistisch signifikante Muster mittels eines bayesianischen Ansatzes extrahiert, um diese als Hyperkanten in einem Hypergraphen zu modellieren und so komplexe Wechselwirkungen in neuronalen und sozialen Systemen zu analysieren.

Andrea Civilini, Fabrizio de Vico Fallani, Vito LatoraMon, 09 Ma🔬 physics.app-ph

Large Language Models -- the Future of Fundamental Physics?

Die Studie zeigt, dass ein auf dem Qwen2.5-Modell basierender „Lightcone LLM" (L3M) durch Transferlernen und Connector-Netzwerke Standardinitialisierungen übertrifft und sich für die Analyse und Generierung von SKA-Daten sowie die kosmologische Parameterregression und Lichtkegel-Generierung als vielversprechende Alternative zu spezialisierten neuronalen Netzen erweist.

Caroline Heneka, Florian Nieser, Ayodele Ore, Tilman Plehn, Daniel SchillerMon, 09 Ma⚛️ hep-ph

Position-Sensitive Silicon Photomultiplier Array with Enhanced Position Reconstruction by means of a Deep Neural Network

Diese Studie zeigt, dass der Einsatz von Deep Neural Networks zur Positionsrekonstruktion in einem 2x2-Array von linear-gradierten SiPMs die Ortsauflösung und Linearität im Vergleich zu herkömmlichen Methoden erheblich verbessert und die Anzahl der auflösbaren Bereiche um den Faktor 5,7 bis 12,1 steigert.

Cyril Alispach, Fabio Acerbi, Hossein Arabi, Domenico della Volpe, Alberto Gola, Aramis Raiola, Habib ZaidiMon, 09 Ma🔬 physics

Optimization-based Unfolding in High-Energy Physics

Diese Arbeit stellt mit QUnfold ein neuartiges, auf Optimierung basierendes Framework für die Entfaltung von Detektordaten in der Hochenergiephysik vor, das eine QUBO-Repräsentation nutzt, um sowohl klassische als auch quantenannealing-basierte Lösungsverfahren zu ermöglichen und dabei eine wettbewerbsfähige Genauigkeit im Vergleich zu etablierten Methoden erreicht.

Simone Gasperini, Gianluca Bianco, Marco Lorusso, Carla Rieger, Michele GrossiMon, 09 Ma⚛️ quant-ph

Weiter →