🔬 Category

physics.data-an

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.

Stochastic particle advection velocimetry (SPAV): theory, simulations, and proof-of-concept experiments

Die vorgestellte Arbeit entwickelt die stochastische Partikeladvektionsvelocimetrie (SPAV), eine auf einem physikalischen Advektionsmodell und einem statistischen Datenverlust basierende Methode, die mithilfe von physik-informierten neuronalen Netzen die Genauigkeit von Partikelverfolgungsvelocimetrie-Messungen durch Berücksichtigung von Lokalisierungsunsicherheiten und nicht-idealen Effekten signifikant verbessert.

Ke Zhou, Jiaqi Li, Jiarong Hong, Samuel J. Grauer2026-03-31🔬 physics

Neural optical flow for planar and stereo PIV

Die vorgestellte Arbeit demonstriert, dass neuronaler optischer Fluss (NOF) durch die Verwendung einer kontinuierlichen, neural-impliziten Darstellung die Genauigkeit und Robustheit bei der planaren und stereoskopischen PIV-Messung im Vergleich zu herkömmlichen Methoden signifikant verbessert und dabei zusätzliche Vorteile wie Datenkompression, direkte Druckberechnung und die Einhaltung physikalischer Randbedingungen ermöglicht.

Andrew I. Masker, Ke Zhou, Joseph P. Molnar, Samuel J. Grauer2026-03-31🔬 physics

Chiral moments make chiral measures

Die Autoren entwickeln einen robusten und flexiblen Rahmen zur Quantifizierung der Chiralität von Verteilungen durch die Kombination tensorieller Momente zu rotationss invarianten Pseudoskalaren, der sowohl theoretische Modelle als auch physikalische Anwendungen wie die Photoionisation in chiralem Licht umfasst und durch eine Open-Source-Software ergänzt wird.

Emilio Pisanty, Nicola Mayer, Andrés Ordóñez, Alexander Löhr, Margarita Khokhlova2026-03-31🔬 physics

Deep brain microelectrode signal: qq-statistical approach

Die Studie charakterisiert die Amplitudenstatistik von Mikroelektrodenaufzeichnungen bei Parkinson-Patienten durch qq-Gaußsche Verteilungen und identifiziert eine spezifische funktionale Kopplung zwischen den Parametern qq und β\beta als quantitatives Kennzeichen für nahe-kritische Dynamik im parkinsonschen kortiko-basalganglien-thalamokortikalen Schleifenkreislauf.

Ana Luiza Souza Tavares, Henrique Santos Lima, Artur Pedro Martins Neto, Bruno Duarte Gomes, Constantino Tsallis2026-03-31🔬 physics

Solving the inverse problem of X-ray absorption spectroscopy via physics-informed deep learning

Die Studie stellt das physik-informierte Deep-Learning-Framework „Spectral Pattern Translator" (SPT) vor, das durch die Nutzung der Fourier-Dualität zwischen Spektraloszillationen und räumlichen Streupfaden das inverse Problem der Röntgenabsorptionsspektroskopie löst und so eine robuste, rauschresistente Echtzeit-Analyse von transienten atomaren Konfigurationen in nichtkristallinen und dynamischen Umgebungen ermöglicht.

Suyang Zhong, Boying Huang, Pengwei Xu, Fanjie Xu, Yuhao Zhao, Jun Cheng, Fujie Tang, Weinan E, Zhong-Qun Tian2026-03-31🔬 cond-mat.mtrl-sci

Vision Transformers and Graph Neural Networks for Charged Particle Tracking in the ATLAS Muon Spectrometer

Die Studie stellt zwei maschinelle Lernansätze vor, die mit Graph Neural Networks die Rekonstruktionsgeschwindigkeit im ATLAS-Muonspektrometer um 15 % steigern und mit Vision-Transformern eine ultraschnelle End-to-End-Muon-Verfolgung mit 98 % Effizienz ermöglichen, um die Herausforderungen der hohen Luminosität des LHC zu bewältigen.

Jonathan Renusch (on behalf of the ATLAS Collaboration)2026-03-30⚛️ hep-ex

Bayesian estimation of optical constants using mixtures of Gaussian process experts

Die Autoren schlagen einen Bayes'schen Ansatz vor, der Absorptionsspektrum-Messungen als Mischungen aus Gauß-Prozess-Experten modelliert, um durch die statistische Integration der Kramers-Kronig-Beziehungen und die Berücksichtigung von Messfehlern bei Ankerpunkten die komplexen Brechungsindizes von Materialien wie Galliumarsenid, Kaliumchlorid und transparentem Holz flexibel zu schätzen.

Teemu Härkönen, Hui Chen, Erik Vartiainen2026-03-30📊 stat

Anomaly Detection for Automated Data Quality Monitoring in the CMS Detector

Das vorgestellte AutoDQM-System nutzt fortschrittliche statistische Methoden und unüberwachtes maschinelles Lernen, um Anomalien in den CMS-Detektordaten des Jahres 2022 mit einer vier- bis sechsfach höheren Trefferquote für fehlerhafte Daten im Vergleich zu herkömmlichen Ansätzen automatisch zu erkennen.

Andrew Brinkerhoff, Chosila Sutantawibul, Robert White, Caio Daumann, Chad Freer, Indara Suarez, Samuel May, Vivan Nguyen, Jonathan Guiang, Bennett Marsh, Darin Acosta, Alex Aubuchon, Emanuela Barberi (…)2026-03-27⚛️ hep-ex