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.
Die Studie nutzt bias-korrigierte Reanalysedaten von 1876 bis 2011, um nachzuweisen, dass sich die australischen Waldbrandwetterbedingungen über das letzte Jahrhundert hinweg signifikant verschärft haben, wobei menschengemachte Veränderungen von Temperatur und Luftfeuchtigkeit als Hauptursache identifiziert wurden.
Diese Arbeit demonstriert, wie neuronale Simulation-basierte Inferenz genutzt werden kann, um aus dem Raum der Energie-3-Punkt-Korrelatoren ein präzisionstheorie-kompatibles Observable zu optimieren, das sich als rechtwinklige Dreiecke mit dem Seitenverhältnis zur präzisen Bestimmung der Top-Quark-Masse eignet.
Die Studie zeigt, dass ein erweiterter Faltungs-Neuronaler-Netzwerk-Algorithmus (A-CNN) die Hintergrundunterdrückung bei der Suche nach dem neutrinolosen Doppel-Beta-Zerfall im XENONnT-Experiment um über 60 % bei gleichzeitiger Beibehaltung einer Signaleffizienz von 90 % verbessert und somit die Nachweisempfindlichkeit um etwa 40 % steigert.
Der Artikel zeigt, dass die Gamma-Verteilung als universelles, durch Positivitätsbedingungen eingeschränktes Analogon zur Gauß-Verteilung aus der Theorie der großen Abweichungen hervorgeht, wenn Polynomreihen durch Padé-Approximanten ersetzt werden, und liefert so eine mechanistikfreie Erklärung für ihr ubiquitäres Auftreten in physikalischen Systemen positiver Zufallsvariablen.
Diese Studie untersucht unerwartete Anomalien in CMS-Daten, die durch den OmniLearned-Foundation-Modell entdeckt wurden, und stellt fest, dass die Hintergrundschätzung im Signalbereich versagt, was zu einer Aufforderung an die wissenschaftliche Gemeinschaft führt, die Ereignisse und Methoden weiter zu überprüfen.
Die Arbeit stellt einen portablen, graphbasierten „Ising-Noise-Filter" vor, der durch physikinformierte Energie-Minimierung eine effiziente Rauschunterdrückung und verbesserte Spurfundung in Teilchendetektoren wie Baikal-GVD und dem SPD bei NICA ermöglicht.
Diese Arbeit stellt einen datengetriebenen LSTM-basierten Surrogatmodell-Ansatz vor, der aus Wellen-Bewegungs-Zeitreihen nichtlineare Zusammenhänge lernt, um sowohl parametrische Roll-Episoden als auch die damit verbundenen statistischen Verschiebungen in der Schiffsbewegung über verschiedene Datenquellen hinweg präzise vorherzusagen.
Diese Studie stellt eine neue Methode namens FloTS vor, die auf Normalizing Flows basiert und im Vergleich zu statistischen und deterministischen Deep-Learning-Modellen die beste Balance zwischen Vorhersagegenauigkeit und kalibrierter Unsicherheit bei der kurzfristigen Prognose atmosphärischer Seeing-Bedingungen bietet.
Diese Studie untersucht die Anwendung von quantenmaschinellen Lernmodellen, einschließlich symmetrieerhaltender Quanvolutional-Neuronaler Netze, zur Unterscheidung von spur- und showerartigen Topologien in LArTPC-Experimenten und stellt fest, dass diese zwar mit weniger Parametern besser abschneiden als klassische Modelle, aber von deutlich größeren klassischen Architekturen übertroffen werden.
Diese Arbeit stellt einen neuartigen, likelihood-freien Rahmen vor, der Flow Matching und Simulation-Based Inference nutzt, um mithilfe des \textsc{\texttt{Odisseo}}-Codes die Parameter des GD-1-Progenitors und des galaktischen Potentials der Milchstraße gleichzeitig und vollständig bayesianisch abzuleiten.