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.
Die Studie zeigt, dass probabilistische neuronale Netze Gaussian-Prozesse in der Pulsar-Timing-Array-Analyse des Gravitationswellenhintergrunds erfolgreich ersetzen können, indem sie konsistente Posterior-Verteilungen liefern und gleichzeitig die Trainings- sowie MCMC-Rechenzeit erheblich verkürzen.
Die Studie zeigt, dass heterogene Agentenschwärme mit unterschiedlichen Suchstrategien in turbulenten 3-D-Umgebungen effizienter zu einer Geruchsquelle gelangen als homogene Gruppen, indem sie die schädlichen Auswirkungen räumlicher Signal-Korrelationen ausgleichen.
Dieses Papier verallgemeinert die Entkopplung von Zellgröße und inneren Variablen in strukturierter Populationsdynamik durch die Anwendung der Feynman-Kac-Formel, wodurch Bedingungen für die Entkopplung in Abstammungs- und Populationsensembles hergeleitet und eine Transformation zu einem wachstumshomogenen Prozess ermöglicht werden.
Diese Studie stellt die neuronale Posterior-Schätzung (NPE) als skalierbare und hochpräzise Methode zur Echtzeit-Inferenz von Lithium-Ionen-Batterieparametern vor, die die Rechenzeit im Vergleich zur herkömmlichen Bayes'schen Kalibrierung drastisch reduziert und dabei hohe Genauigkeit sowie verbesserte Interpretierbarkeit bietet.
Diese Arbeit stellt eine neuartige Methode zur Modellierung glatter Hintergründe in der Hochenergiephysik vor, die auf Log-Gaußschen Cox-Prozessen basiert und durch minimale Annahmen über die zugrunde liegende Form sowie die Verwendung von Markov-Ketten-Monte-Carlo-Simulationen eine flexible Alternative zu herkömmlichen analytischen Funktionsanpassungen bietet.
Diese Arbeit zeigt auf, dass herkömmliche Fehlerbalken bei korrelierten Unsicherheiten irreführend sind, und schlägt vor, die ersten Hauptkomponenten sowie bedingte Unsicherheiten darzustellen, um die Bewertung der Übereinstimmung zwischen Daten und Modellen zu erleichtern.
Das Papier stellt JetPrism vor, ein konfigurierbares Framework auf Basis von Conditional Flow Matching, das zeigt, dass herkömmliche Trainingsverluste in der Kernphysik irreführend sind, und schlägt stattdessen ein physikbasiertes, mehrstufiges Evaluierungsprotokoll vor, um die wahre Konvergenz und Genauigkeit generativer Simulationen für inverse Probleme sicherzustellen.
Die Studie nutzt ein thermodynamisches Multiplex-Framework auf Basis des vollständigen Connectoms von *Caenorhabditis elegans*, um zu zeigen, dass synaptische und extrasynaptische Signale komplementäre funktionelle Schichten bilden, die spezialisierte Kommunikationsregime für motorische Stabilität, globale Modulation, Homöostase und schnelle sensorische Verarbeitung ermöglichen.
Das Paper stellt QuantumXCT vor, ein hybrides quanten-klassisches generatives Modell, das Zell-Zell-Kommunikation nicht auf Basis vordefinierter Ligand-Rezeptor-Datenbanken, sondern durch das Erlernen von unitären Transformationen im Hilbert-Raum beschreibt, um so interaktionsinduzierte Zustandsänderungen in einzelnen Zellen datengesteuert zu entschlüsseln und biologisch interpretierbare Kommunikationsnetzwerke zu identifizieren.
Diese Arbeit stellt ein Template-Adapted Mixture Model vor, das mithilfe vieler verzerrter Simulationen eine datengetriebene Schätzung von Signalanteilen ermöglicht und so die durch Diskrepanzen zwischen Simulation und Realität verursachten Verzerrungen in der Parameterinferenz erheblich reduziert.