255 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 Studie entwickelt und bewertet zwei bayesianische Methoden, die Laplace-Näherung und Markov-Ketten-Monte-Carlo-Simulation, zur zuverlässigen Unsicherheitsquantifizierung bei der hybriden spektralen Entmischung in der Gammastrahlenspektrometrie, wobei sich zeigt, dass nur die MCMC-Methode auch bei aktiven Randbedingungen oder starkem Untergrund verlässliche Konfidenzintervalle liefert.
Diese Studie füllt die zweijährige Lücke in der IERS C01-Polarbewegungsreihe für den Zeitraum 1858,9–1860,9 erfolgreich durch den Vergleich eines parametrischen astronomischen Modells mit einem datengesteuerten Ansatz der Singulären Spektralanalyse (SSA), wobei SSA aufgrund ihres umfassenderen Modells als vorzuziehen erachtet wird.
Der Artikel klärt Verwirrungen bei der Beschreibung von Poisson-Verteilungen in der Physik, indem er verschiedene Konfidenzintervall-Methoden vergleicht und die Garwood-Intervalle aufgrund ihrer robusten Eigenschaften und intuitiven p-Werte als beste Praxis empfiehlt.
Dieser Übersichtsartikel untersucht die Herausforderungen, wesentlichen Fortschritte und offenen Probleme bei der Erweiterung des Renormierungsgruppen-Rahmens von traditionellen physikalischen Systemen auf die heterogene und geometrisch komplexe Welt realer Netzwerke.
Diese Studie bewertet systematisch über 6000 Zeitreihenstatistiken an 35 verschiedenen Systemen und zeigt, dass zwar keine einzelne Metrik für alle irreversiblen Systeme geeignet ist, aber spezifische Familien von Statistiken wie verallgemeinerte Autokorrelationsfunktionen, symbolische Sequenzen und Prognosemethoden effektiv zur Identifizierung von Zeitasymmetrie eingesetzt werden können.
Diese Studie bewertet erstmals umfassend 13 Methoden für erklärbare KI (XAI) anhand von 24 Metriken, um deren Eignung für die Vorhersage des Behandlungsergebnisses bei Kopf-Hals-Tumoren zu bestimmen, wobei sich Integrated Gradients und DeepLIFT als besonders zuverlässig erwiesen.
Die Autoren stellen eine rigorose bayessche Methode für die MINFLUX-Lokalisationsmikroskopie vor, die durch optimierte Abtastmuster die für eine 1-nm-Auflösung benötigte Photonenzahl im Vergleich zu heuristischen Ansätzen um den Faktor vier reduziert.
Die Studie entwickelt ein optimales Steuerungsmodell, das als reduzierte untere Effizienzgrenze dient, um die Flugleistungen von Seevögeln wie dem Wanderalbatros, der Sturmschwalbe und dem Austernfischer im Hinblick auf ihre Nutzung des Windes für den dynamischen Segelflug zu vergleichen und zu bewerten.
Diese Studie stellt ein Proof-of-Concept-System vor, das Large Language Models nutzt, um aus HEP-Publikationen Analyseverfahren zu extrahieren und ausführbaren Code zur Reproduktion von Ergebnissen zu generieren, wobei erste Tests mit ATLAS-Open-Data vielversprechende, aber noch nicht vollständig autonome Fähigkeiten zeigen.
Die Arbeit stellt NOMAI vor, einen in Echtzeit arbeitenden maschinellen Lernklassifikator innerhalb des Fink-Brokers, der mithilfe von photometrischen Daten des ZTF-Surveys und ohne spektroskopische Rotverschiebung Superluminöse Supernovae identifiziert und dabei eine hohe Trefferquote bei der Entdeckung dieser seltenen astrophysikalischen Ereignisse demonstriert.