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 Studie stellt einen effizienten, ensemblebasierten Datenassimilationsrahmen vor, der mithilfe des Ensemble-Kalman-Filters und adaptiver Kovarianzinflation Materialmodellparameter für Hochgeschwindigkeitseinschläge automatisch aus einem einzigen Experiment kalibriert und dabei die Parameterempfindlichkeit sowie die Identifizierbarkeit durch die Analyse der Ensemble-Streuung diagnostiziert.
Die Arbeit stellt die Multiscale Clustering Bifiltration (MCbiF) vor, ein Werkzeug der topologischen Datenanalyse, das mittels 2-Parameter-Persistenter Homologie die topologische Autokorrelation nicht-hierarchischer Multiskalen-Clusterings quantifiziert und als interpretierbare Merkmalskarte für überlegene maschinelle Lernergebnisse auf Regressions- und Klassifikationsaufgaben dient.
Der Artikel stellt das neue Paradigma des deklarativen maßgeschneiderten Modellierens vor, bei dem explizit Zusammenhänge zwischen Eingaben und Ausgaben deklariert werden, um perfekte Vorhersagegenauigkeit, bedingungslose numerische Stabilität und vollständige Interpretierbarkeit bei nahezu null CO₂-Emissionen zu erreichen.
Das Papier stellt „The Closure Challenge" vor, eine umfassende Benchmark-Herausforderung mit standardisierten Open-Source-Datensätzen und Evaluierungsmetriken, um maschinelles Lernen für die RANS-Turbulenzmodellierung voranzutreiben und die Generalisierungsfähigkeit neuer Modelle zu testen.
Diese Studie simuliert 144 künstliche Astrophysiker, um zu zeigen, dass der Nutzen von KI in der Forschung stark vom konkreten Aufgabenbereich, der gewählten Nutzungspolitik und dem eingesetzten Sprachmodell abhängt, wobei KI zwar bei kreativen und kritischen Aufgaben hilft, aber bei rechenintensiven physikalischen Herleitungen ohne sorgfältige Überprüfung katastrophal versagen kann.
Diese Arbeit stellt eine systematische Methode zur Formulierung von Kovarianz- und Korrelationsmatrizen für Aktivierungsexperimente geladener Teilchen vor, bei der sowohl statistische als auch systematische Unsicherheiten unter Berücksichtigung von Sensitivitätskoeffizienten und der Fehlerfortpflanzung berechnet werden, um eine zuverlässige Interpretation und den Vergleich von Wirkungsquerschnittsdaten zu ermöglichen.
Das Open-Source-Tool FcsIT ist eine plattformunabhängige Python-Anwendung zur Berechnung, Varianzanalyse und Anpassung von Fluoreszenz-Korrelations-Spektroskopie-Daten, die durch ihre intuitive Benutzeroberfläche, benutzerdefinierte Modelle und vergleichbare Qualität zu kommerzieller Software eine breite Anwendbarkeit bietet.
Die Studie stellt neue analytische Werkzeuge vor, die zeigen, dass Abweichungen von der Normalverteilung in stationären Wachstumsraten durch allgemeine statistische Überlegungen erklärbar sind und durch eine verallgemeinerte logistische Verteilung beschrieben werden können, was als nützliches Nullmodell für makroökologische Muster dient.
Die Studie stellt einen neuartigen Ansatz zur Strömungsfeldtomographie vor, der Bayes'sche, physik-informierte neuronale Netze nutzt, um aus spärlichen Messungen realistische Rekonstruktionen mit umfassender Unsicherheitsquantifizierung zu erzeugen und dabei die physikalischen Gesetze der Strömungsmechanik direkt in den Lernprozess integriert.
Die Autoren stellen einen neuartigen, physik-informierten Workflow für die Hintergrund-Schlieren-Verfahren (BOS) vor, der mithilfe von physik-informierten neuronalen Netzen (PINNs) Dichte-, Geschwindigkeits- und Druckfelder in Überschallströmungen präziser rekonstruiert als herkömmliche Methoden und erstmals experimentelle Daten für diese Anwendung nutzt.