317 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 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.
Die vorgestellte Arbeit entwickelt eine auf Bayesscher Optimierung basierende Strategie zur automatischen Beendigung von inelastischen Neutronenstreuexperimenten, die durch Echtzeit-Optimierung der Bin-Breiten die Messzeit effizient nutzt und überflüssige Datenerhebungen vermeidet.
Diese Studie analysiert die Helligkeitsveränderungen des Kometen 17P/Holmes von 1892 bis 2021, um die Größenverteilung und Gesamtmasse der bei Ausbrüchen freigesetzten porösen Agglomerate zu quantifizieren und damit physikalisch fundierte Ausgangsbedingungen für die Modellierung von Staubspuren und Meteorströmen zu liefern.
Die Studie stellt eine hochauflösende, nicht-invasive Methode vor, die mithilfe von gestapelten Lichtblättern und einem neuronalen Autoencoder mit isometrischen Straftermen die dreidimensionale Form transparenter, verformbarer dünner Schichten in Strömungen präzise rekonstruiert.
Diese Arbeit stellt einen algebraischen Ansatz zur Gammastrahlenspektroskopie vor, bei dem Zerfallsschemata als Quiver modelliert und durch die Einführung eines Coincidence-Algebra-Bündels erweitert werden, um die Wahrscheinlichkeiten von Koinzidenzen auch für nicht direkt verknüpfte Übergänge zu berechnen.
Diese Studie stellt ein bayesianisches Protokoll vor, das durch Kombination von Template-Matching und probabilistischer Evidenzbewertung die Identifizierung von Neutronenquellen aus gemessenen Spektren mit hoher statistischer Signifikanz ermöglicht.
Die Studie stellt ein optimiertes Protokoll vor, das mithilfe von künstlichen neuronalen Netzen und der Analyse von Frakturmuster-Merkmalen den in getrockneten Stärkeschlämmen verwendeten Lösungsmitteltyp selbst nach vollständiger Verdunstung mit einer durchschnittlichen Genauigkeit von 96 % identifiziert.
Diese Arbeit untersucht die Zeitentwicklung der Überlebenswahrscheinlichkeit einer delta-artigen Anregung in Erdős-Rényi-Netzwerken und zeigt, dass der Abklingprozess durch die Korrelationsdimension der Eigenzustände bestimmt wird, die multifraktale Eigenschaften aufweisen, während die relative Tiefe des Korrelationslochs vom durchschnittlichen Grad der Netzwerke abhängt.
Die Arbeit stellt \texttt{py5vec} vor, ein modulares Python-Paket zur Implementierung und Erweiterung der 5-Vektor-Methode für die Suche nach kontinuierlichen Gravitationswellen, das durch eine robuste Student-t-Wahrscheinlichkeitsfunktion, eine Bayesianische Parameterschätzung und eine erfolgreiche Validierung mit LIGO-Daten neue Möglichkeiten für gezielte Pulsarsuchen eröffnet.
Diese Studie stellt einen neuartigen, trainingsfreien Algorithmus vor, der auf Graphentheorie basiert, um Detonationszellen aus 3D-Druckdaten präzise zu segmentieren und zu vermessen, wodurch die Grenzen manueller und einfacher 2D-Methoden überwunden und eine robuste Grundlage für zukünftige Analysen komplexer Zellenmuster geschaffen wird.