261 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 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.
Diese Arbeit stellt ein durch Quantenelektrodynamik inspiriertes, nicht-lokales epidemisches Modell vor, das mithilfe des Doi-Peliti-Formalismus Umgebungsinteraktionen als Eichfeld beschreibt, um Phänomene wie Abschirmungseffekte und Superspreading zu erklären und auf deutschen COVID-19-Daten eine einwöchige Vorhersage von Ausbrüchen zu ermöglichen.
Die Arbeit stellt BuSyNet vor, ein tiefes Lernarchitektur, die dimensionskonsistente und symplektische Transformationen nutzt, um aus Trajektorien interpretierbare, symbolische Hamilton-Formeln in Energieeinheiten zu entdecken und dabei die Langzeitgenauigkeit sowie Stabilität gegenüber bestehenden neuronalen Netzen signifikant verbessert.
Diese Studie entwickelt einen neuartigen Car-Dependency-Index (CDI), der auf Basis von Daten aus 18 europäischen und nordamerikanischen Städten zeigt, dass systemische, netzwerkweite Erweiterungen des öffentlichen Verkehrs notwendig sind, um die Abhängigkeit vom Auto zu verringern und gerechte, nachhaltige urbane Mobilität zu fördern.
Die Arbeit untersucht ein inhomogenes Erdős-Rényi-Modell mit fitnessbasierten Knotenvariablen, die einer Pareto-Verteilung mit unendlichem Erwartungswert folgen, und charakterisiert dabei die asymptotischen Verteilungen der Knotengrade, deren Korrelationen sowie die Dichte von Kantenstrukturen wie Wedges und Dreiecken.
Die Autoren stellen ein neues Verfahren namens Energy Time Ptychography vor, das mithilfe von Synchrotron-X-Strahlen und dem Mößbauer-Effekt durch die Kombination mehrerer energetisch überlappender Messungen sowohl das Transmissionsspektrum als auch die Phaseninformation bei der Kernvorwärtsstreuung rekonstruiert und so die Beschränkungen traditioneller Gammastrahlquellen überwindet.
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.
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.