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.
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.
Die Studie stellt neue analytische Werkzeuge vor, die zeigen, dass Abweichungen von der Normalverteilung in stationären Wachstumsraten durch allgemeine statistische Überlegungen erklärbar sind und durch eine verallgemeinerte logistische Verteilung beschrieben werden können, was als nützliches Nullmodell für makroökologische Muster dient.
Die Studie stellt einen neuartigen Ansatz zur Strömungsfeldtomographie vor, der Bayes'sche, physik-informierte neuronale Netze nutzt, um aus spärlichen Messungen realistische Rekonstruktionen mit umfassender Unsicherheitsquantifizierung zu erzeugen und dabei die physikalischen Gesetze der Strömungsmechanik direkt in den Lernprozess integriert.
Die Autoren stellen einen neuartigen, physik-informierten Workflow für die Hintergrund-Schlieren-Verfahren (BOS) vor, der mithilfe von physik-informierten neuronalen Netzen (PINNs) Dichte-, Geschwindigkeits- und Druckfelder in Überschallströmungen präziser rekonstruiert als herkömmliche Methoden und erstmals experimentelle Daten für diese Anwendung nutzt.
Die vorgestellte Arbeit entwickelt die stochastische Partikeladvektionsvelocimetrie (SPAV), eine auf einem physikalischen Advektionsmodell und einem statistischen Datenverlust basierende Methode, die mithilfe von physik-informierten neuronalen Netzen die Genauigkeit von Partikelverfolgungsvelocimetrie-Messungen durch Berücksichtigung von Lokalisierungsunsicherheiten und nicht-idealen Effekten signifikant verbessert.
Die vorgestellte Arbeit demonstriert, dass neuronaler optischer Fluss (NOF) durch die Verwendung einer kontinuierlichen, neural-impliziten Darstellung die Genauigkeit und Robustheit bei der planaren und stereoskopischen PIV-Messung im Vergleich zu herkömmlichen Methoden signifikant verbessert und dabei zusätzliche Vorteile wie Datenkompression, direkte Druckberechnung und die Einhaltung physikalischer Randbedingungen ermöglicht.
Die Studie zeigt anhand realer Hashtag-Daten, dass sich Informationen in sozialen Netzwerken nicht zufällig, sondern über spezifische, wiederkehrende Pfade verbreiten, die durch globale und lokale Präferenzmodelle beschrieben werden können.
Die Studie stellt zwei maschinelle Lernansätze vor, die mit Graph Neural Networks die Rekonstruktionsgeschwindigkeit im ATLAS-Muonspektrometer um 15 % steigern und mit Vision-Transformern eine ultraschnelle End-to-End-Muon-Verfolgung mit 98 % Effizienz ermöglichen, um die Herausforderungen der hohen Luminosität des LHC zu bewältigen.
Die Autoren schlagen einen Bayes'schen Ansatz vor, der Absorptionsspektrum-Messungen als Mischungen aus Gauß-Prozess-Experten modelliert, um durch die statistische Integration der Kramers-Kronig-Beziehungen und die Berücksichtigung von Messfehlern bei Ankerpunkten die komplexen Brechungsindizes von Materialien wie Galliumarsenid, Kaliumchlorid und transparentem Holz flexibel zu schätzen.
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.