252 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 etabliert Machine-Learned Particle Flow (MLPF) als Fundamentmodell für die Kollisionsphysik, indem sie zeigt, dass dessen gelernte latente Repräsentationen als gemeinsame, informationsreiche Brücke zwischen Detektordaten auf niedriger Ebene und vielfältigen Analyseaufgaben auf hoher Ebene dienen und dadurch die Leistung sowie Effizienz im Vergleich zu traditionellen modularen Ansätzen signifikant verbessern.
Dieses Papier initiiert einen Gemeinschaftsdialog über standardisierte geophysikalische Datenanforderungen für die magnetische Navigation, indem es zwischen operativen Bedürfnissen und Forschungs- und Entwicklungsbedürfnissen unterscheidet und spezifische Empfehlungen wie zusammengeführte Datensätze, lokalisierte Unsicherheitsschätzungen und ausgewiesene Testbereiche vorschlägt, um aktuelle Einsatzbarrieren zu überwinden.
Dieses Paper führt einen allgemeinen informationstheoretischen Rahmen ein, der den prinzipiengetreuen Vergleich von Hypergraphen ermöglicht, indem er aussagekräftige höherwertige Interaktionen erfasst und durch ein Maß der normalisierten gegenseitigen Information Korrekturen für Scheinkorrelationen vornimmt.
Diese Arbeit führt eine Symmetrie-Elektronische Fingerabdruck-Repräsentation (SEF) ein, die durch die Integration von kristallographischer Symmetrie und ortsaufgelöster elektronischer Struktur es Machine-Learning-Modellen ermöglicht, magnetische Eigenschaften in 2D-Materialien präzise vorherzusagen, während sie die Modellunsicherheit auf einzigartige Weise als diagnostisches Werkzeug nutzt, um konkurrierende magnetische Phasen und Frustration zu identifizieren und zu charakterisieren.
Dieses Paper schlägt ein praktisches Protokoll und eine neue Klasse probabilistischer Kritiker (VSIB) vor, die eine zuverlässige, bias-korrigierte Schätzung der gegenseitigen Information in hochdimensionalen, unterabgetasteten Regimen ermöglichen, indem sie niedrigdimensionale latente Repräsentationen nutzen und explizite statistische Konsistenzprüfungen sowie Konfidenzintervalle bereitstellen.
Dieses Paper führt ein Spatially Masked Regression (SMR)-Framework ein, das das Gleichgewicht zwischen lokaler und verteilter Information in elektrophysiologischen Aufzeichnungen quantifiziert, indem es Elektrodensignale rekonstruiert, während benachbarte Kanäle systematisch ausgeschlossen werden, was offenlegt, dass einzelne Kanäle sowohl unmittelbare lokale Redundanz als auch eine breitere netzwerkweite Struktur widerspiegeln.
Dieses Paper stellt fitPALSpectra vor, einen Open-Source-Python-Workflow, der die Herausforderungen bei der Analyse von Daten der Positronenannihilations-Lebensdauenspektroskopie (PALS) adressiert, indem er ein konfigurierbares Werkzeug zur Simulation, Anpassung und Visualisierung von Spektren unter Verwendung eines analytisch integrierten Exponential-Gaussian-Modells bereitstellt, welches validiert wurde, um die Ground-Truth-Parameter auf synthetischen Daten präzise zu rekonstruieren.
Diese Arbeit etabliert einen theoretischen Rahmen, der geschlossene neuronale Netzwerkensembles mit Analogien aus der Kernreaktionstheorie offener Systeme vergleicht, und kommt letztlich zu dem Schluss, dass deren charakteristische nicht-hermitesche Dynamik im Mainstream-Lernen aufgrund des Fehlens kontinuierlicher Spektren und wellenartiger Verhaltensweisen strukturell abwesend ist, wodurch die wahre Quelle der operationalen Unsicherheit innerhalb der Korrespondenz des geschlossenen Systems lokalisiert wird.
Diese Arbeit wendet Inferenzen des relativen Glaubens an, welche sowohl die Bayes’sche Likelihood-Ordnung als auch die frequentistischen Konfidenzanforderungen erfüllen, um Unsicherheitsintervalle für ein Poisson-Signal-mit-Hintergrund-Modell in der Teilchenphysik zu konstruieren, wobei sie deren Vorteile gegenüber dem Standard-Feldman-Cousins-Ansatz aufzeigt.