257 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 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.
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.
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.
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.
Diese Studie stellt einen physikbasierten Deep-Learning-Rahmen vor, der plasmonische Nanoporen mit Single-Molecule-SERS kombiniert, um einzelne Phosphorylierungsereignisse von Peptiden trotz stochastischer Signale und Hintergrundstörungen hochpräzise zu detektieren.
Die Studie stellt einen effizienten Copula-Ansatz zur Berechnung nicht-gaußscher Likelihoods für schwache Gravitationslinsen vor und zeigt, dass dieser zwar für kleinere Surveys zu signifikanten Verschiebungen bei führt, für zukünftige Stage-IV-Surveys jedoch gaußsche Likelihoods als ausreichend erweist.
In dieser Arbeit wird eine Maximum-Likelihood-Schätzmethode zur Bestimmung von Burst-Merging-Kernen aus zeitlichen Datenreihen entwickelt, die sowohl an synthetischen als auch an empirischen Datensätzen erfolgreich getestet wird, um die zugrunde liegenden Mechanismen burst-artiger Prozesse präziser zu charakterisieren.
Die Studie stellt FluxMC vor, ein maschinelles Lern-basiertes Inferenzframework, das Flow Matching mit Parallel-Tempering-MCMC kombiniert, um die Analyse von Gravitationswellen aus dem Weltraum sowohl deutlich schneller als auch mit höherer Genauigkeit durchzuführen als herkömmliche Methoden.
Die Studie zeigt mittels Zufallsmatrizen-Theorie, dass die Verwendung von Kreuz- oder gemeinsamen Kovarianzmatrizen die Detektierbarkeit und Rekonstruktion gemeinsamer Signale in hochdimensionalen, unterabgetasteten Daten im Vergleich zu einzelnen Selbstkovarianzmatrizen verbessert, wobei die optimale Wahl von der Dimensionalität der Variablen abhängt.
Diese Übersichtsarbeit untersucht, wie moderne künstliche Intelligenz-Methoden genutzt werden können, um die Kopplung zwischen den verschiedenen Sphären des Erdsystems zu verbessern und so kohärentere sowie physikalisch konsistentere Multi-Komponenten-Modelle zu ermöglichen.