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 Arbeit stellt LA-VDM vor, einen landmarkenbasierten Algorithmus, der die Vektor-Diffusions-Maps beschleunigt, nichtuniforme Stichprobendichten durch eine zweistufige Normalisierung adressiert und unter einem Mannigfaltigkeitsmodell die asymptotische Konvergenz zum Verbindungs-Laplace-Operator garantiert.
Diese Arbeit entwickelt eine statistische Theorie, die zeigt, wie die Abklinggeschwindigkeit eines effektiven Lernraten-Umhüllenden und schweres Gradientenrauschen den maximalen zeitlichen Horizont bestimmen, über den Gated Recurrent Neural Networks bei endlicher Stichprobengröße lernfähig sind.
Das Paper stellt VecAmpFit vor, eine neue, vektorisierte Bibliothek für mehrdimensionale Amplitudenanalysen in der Hochenergiephysik, die speziell für die Belle-II-Experimente entwickelt wurde und Funktionen wie explizite Gradientenberechnung sowie die simultane Anpassung mehrerer Datensätze unterstützt.
Die Studie zeigt, dass ein einklassiges, auf Grundzustandskonfigurationen trainiertes Autoencoder-Modell erfolgreich den Phasenübergang des 3D-Ising-Modells erkennt und kritische Exponenten sowie die kritische Temperatur präzise bestimmt, ohne Vorwissen über das Hamilton-System oder Ordnungsparameter zu benötigen.
Die vorgestellte Arbeit entwickelt ein komplexes Netzwerk-Framework, das unregelmäßige Zeitreihen in Netzwerke transformiert, um durch Netzwerkeigenschaften und Community-Detection-Algorithmen nicht nur das globale Clustering von Ereignissen zu quantifizieren, sondern auch die Dynamik einzelner Cluster und deren zugrundeliegende Zeitskalen zu analysieren.
Das Open-Source-Python-Paket \texttt{alabi} beschleunigt die Bayesianische Inferenz für rechenintensive Modelle erheblich, indem es mittels aktiven Lernens und eines Gauß-Prozess-Surrogats die Anzahl notwendiger Modellbewertungen um Faktoren von Tausenden reduziert und dabei präzise Posterior-Verteilungen auch bei komplexen Strukturen oder hoher Dimensionalität liefert.
Diese Studie zeigt, dass der Particle Transformer (ParT) im Vergleich zu früheren BDT-basierten Taggern eine 5- bis 10-fache Verbesserung bei der - und -Jet-Flavour-Identifikation an Higgs-Fabriken erzielt und zudem vielversprechende Ergebnisse für das Strange-Tagging sowie die Trennung von Quarks und Antiquarks liefert.
Diese Studie stellt eine auf dem adaptiven LASSO basierende Methode vor, die erfolgreich Paar- und höherordnige Wechselwirkungen in gekoppelten Oszillatorsystemen aus Zeitreihendaten identifiziert und dabei sowohl synthetische als auch reale Hirndaten übertrifft.
Diese Studie zeigt, dass ein auf Zufalls-Wäldern basierender maschineller Lernansatz, der neuartige Magnitudenraten aus den ersten drei photometrischen Datenpunkten nutzt, die Frühklassifizierung seltener Ic-BL-Supernovae signifikant verbessert und deren Erkennungsrate auf über 13 % der wahren Population steigert.
Die vorgestellte Arbeit führt einen tensornetzwerkbasierten Quanten-inspirierten Algorithmus ein, der durch die Zerlegung der diskreten Laplace-Transformation in einen nicht-unitären Dämpfungsoperator und eine Quanten-Fourier-Transformation effiziente Berechnungen für extrem große Datensätze auf klassischer Hardware ermöglicht.