physics.data-an 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.

Data-Driven Automated Identification of Optimal Feature-Representative Images in Infrared Thermography Using Statistical and Morphological Metrics

Diese Arbeit stellt eine datengetriebene Methode vor, die mithilfe statistischer und morphologischer Metriken wie des Homogenitätsindex, der repräsentativen Elementarfläche und der totalen Variationsenergie automatisch die aussagekräftigsten Bilder in Infrarotthermografie-Datensätzen identifiziert, um Defekte in Verbundwerkstoffen ohne vorherige Kenntnis ihrer Lage zu erkennen.

Harutyun Yagdjian, Martin Gurka2026-04-14🔬 physics.app-ph

Surface correlation functions of dead-leave models

Diese Arbeit leitet exakte analytische Ausdrücke für die Oberflächenkorrelationsfunktionen der allgemeinen Klasse von Dead-Leaf-Modellen ab, die für beliebige Kornformen und Dimensionen gelten, und vergleicht diese Ergebnisse mit denen von Debye-Zufallsmedien sowie dem Boolean-Modell.

Cedric J. Gommes2026-04-14🔬 cond-mat.mtrl-sci

Emergence of Complex Structures

Die Arbeit stellt ein vereinheitlichtes Rahmenwerk vor, das die scheinbare Spannung zwischen der Entstehung komplexer Strukturen und dem Entropieanstieg auflöst, indem sie zeigt, wie durch eine Kombination aus Phasenraumdynamik, Transportgeometrie und Informationstheorie die Ordnung auf makroskopischer Ebene trotz zunehmender Komplexität im vollständigen Phasenraum entstehen kann.

Francisco-Shu Kitaura2026-04-14🌀 nlin

Variational Dimension Lifting for Robust Tracking of Nonlinear Stochastic Dynamics

Diese Arbeit stellt einen Rahmen vor, der mithilfe einer invertierbaren Transformation nichtlineare stochastische Zustandsraummodelle in höherdimensionale lineare Gaußsche Modelle überführt, um robuste und stabile Bayesianische Teilchenfilterung zu ermöglichen.

Yonatan L. Ashenafi2026-04-13📊 stat

New Deep Learning Data Analysis Method for PROSPECT using GAPE: Genetic Algorithm Powered Evolution

Die Studie stellt die GAPE-Methode (Genetic Algorithm Powered Evolution) vor, die zur Optimierung von Deep-Learning-Modellen für die PROSPECT-Experimente eingesetzt wird und dabei eine fast 2,8-fache Verbesserung des Signal-zu-Hintergrund-Verhältnisses bei der Identifizierung von Reaktor-Antineutrinos ermöglicht, nachdem zeitabhängige Verzerrungen durch ein datenperiodenspezifisches Training erfolgreich behoben wurden.

M. Adriamirado, A. B. Balantekin, C. Bass, O. Benevides Rodrigues, E. P. Bernard, N. S. Bowden, C. D. Bryan, T. Classen, A. J. Conant, N. Craft, A. Delgado, G. Deichert, M. J. Dolinski, A. Erickson, M (…)2026-04-13⚛️ hep-ex

Introduction to Symbolic Regression in the Physical Sciences

Dieser Artikel führt die Sonderausgabe zur symbolischen Regression in den Naturwissenschaften ein, die auf einer Royal Society-Diskussion basiert und deren Grundlagen, Anwendungen, methodische Herausforderungen sowie zukünftige Richtungen wie die Integration theoretischer Constraints zusammenfasst.

Deaglan J. Bartlett, Harry Desmond, Pedro G. Ferreira, Gabriel Kronberger2026-04-10🔭 astro-ph

Physics-informed neural operators for the in situ characterization of locally reacting sound absorbers

Diese Arbeit stellt einen physik-informierten neuronalen Operator vor, der mithilfe von Nearfield-Messungen und der Einbettung akustischer Grundgleichungen die frequenzabhängige Oberflächenadmittanz von Schallabsorbern direkt und robust aus verrauschten Daten bestimmt, ohne auf explizite Vorwärtsmodelle angewiesen zu sein.

Jonas M. Schmid, Johannes D. Schmid, Martin Eser, Steffen Marburg2026-04-10💻 cs

In situ estimation of the acoustic surface impedance using simulation-based inference

Diese Studie stellt einen bayesschen Rahmen für die Simulation-basierte Inferenz vor, der es ermöglicht, frequenzabhängige akustische Oberflächenimpedanzen in situ aus spärlichen Schalldruckmessungen in komplexen Innenräumen präzise und mit zuverlässiger Unsicherheitsquantifizierung zu schätzen.

Jonas M. Schmid, Johannes D. Schmid, Martin Eser, Steffen Marburg2026-04-09💻 cs

Fast reconstruction-based ROI triggering via anomaly detection in the CYGNO optical TPC

Die Studie stellt eine unüberwachte, rekonstruktionsbasierte Anomalieerkennung mittels eines auf Pedestaldaten trainierten Convolutional Autoencoders vor, die es dem CYGNO-optischen TPC ermöglicht, in Echtzeit Regionen von Interesse aus riesigen Kamerabildern zu extrahieren und dabei 97,8 % des Bildbereichs zu verwerfen, ohne dabei 93 % der Signalamplitude zu verlieren.

F. D. Amaro, R. Antonietti, E. Baracchini, L. Benussi, C. Capoccia, M. Caponero, L. G. M. de Carvalho, G. Cavoto, I. A. Costa, A. Croce, M. D'Astolfo, G. D'Imperio, G. Dho, E. Di Marco, J. M. F. dos S (…)2026-04-09🔬 physics

Training on Data Analysis Reproducibility via Containerization with Apptainer

Dieser Beitrag stellt Schulungsmaterialien vor, die Physikerinnen und Physiker im Rahmen des HEP Software Foundation Training Centers darin schulen, mit Apptainer-Containern Analysen in der Hochenergie- und Kernphysik reproduzierbar, portabel und effizient zu gestalten.

Roy Cruz Candelaria, Wouter Deconinck, Aman Desai, Guillermo Fidalgo Rodríguez, Michel Hernandez Villanueva, Kilian Lieret, Valeriia Lukashenko, Sudhir Malik, Marco Mambelli, Tetiana Mazurets, Alexand (…)2026-04-09🔬 physics

← Zurück Weiter →