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.
Dieser Beitrag fasst den aktuellen Stand der Rekonstruktionsalgorithmen für RICH-Detektoren zusammen, beleuchtet repräsentative Anwendungsfälle aus laufenden Experimenten und diskutiert aufkommende Trends wie globale Teilchenidentifikationsstrategien sowie generative maschinelle Lernverfahren für schnelle Simulation und Rekonstruktion.
Diese Studie stellt mithilfe von maschinellem Lernen und einer experimentellen Datenbank global umgekehrte Phasendiagramme für Fe, MgO, SiO₂ und MgSiO₃ bis zu 5.000 GPa vor, die nicht nur langjährige Kontroversen über deren Schmelzkurven klären, sondern auch zur Verfeinerung von Strukturmodellen für das Innere von Riesenplaneten und Super-Erden beitragen.
Die Studie stellt einen informations-theoretischen Ansatz vor, der mithilfe von Blockentropie und Bootstrap-Tests die zeitliche Abhängigkeit von Niederschlagsdaten analysiert und zeigt, dass tägliche Regenereignisse überwiegend durch niedrigordentliche Markov-Ketten beschrieben werden können, was die Entwicklung effizienter stochastischer Modelle und verbesserter Vorhersagesysteme unterstützt.
Die vorgestellte Ionenzähl-unterstützte Mikroskopie (ICAM) ist ein quantitatives Bildgebungsverfahren, das durch eine statistisch fundierte Schätzung der Sekundärelektronenausbeute und eine modifizierte Datenerfassung die Quellen-Schrotrauschen signifikant reduziert und damit eine dreifache Dosisreduktion bei der Helium-Ionen-Mikroskopie ermöglicht.
Die Arbeit stellt einen Maximum-Entropie-Ansatz für zeitliche Netzwerke vor, der durch die Faktorisierung in globale Zeitprozesse und statische Kantenwahrscheinlichkeiten geschlossene Formeln für Likelihoods und Netzwerkmetriken liefert und dabei nicht-homogene Poisson-Prozesse zur effektiven Generierung und Modellierung von Interaktionen nutzt.
Diese Studie stellt einen rechnerisch effizienten Rahmen für die beschleunigte Entdeckung von Legierungen vor, der die nicht-wechselwirkende Elektronendichte als übertragbaren Deskriptor nutzt, um durch Bayes'sches aktives Lernen und Zero-Shot-Extrapolation die Eigenschaften komplexer hochentropischer Legierungen mit minimalem Trainingsaufwand präzise vorherzusagen.
Die Studie identifiziert „Pseudo-Kohärenz" als einen neuen Mechanismus, bei dem nicht-normale pseudospektrale Verstärkung in linear stabilen, stochastischen Systemen ohne intrinsische Oszillatoren zu intermittierender kollektiver temporaler Organisation und scheinbaren Rhythmen führt.
Die vorgestellte Arbeit entwickelt zwei interpretierbare symbolische Lernverfahren (SyNF und SyTF), die aus chaotischen Zeitreihen explizite algebraische Gleichungen ableiten und dabei eine mit modernen Deep-Learning-Modellen konkurrierende Vorhersagegenauigkeit mit wissenschaftlicher Nachvollziehbarkeit verbinden.
Diese Arbeit stellt die Partial Decomposition of Granger Causality (PDGC) vor, eine Methode, die mithilfe der Partial Information Decomposition und frequenzbasierten Zustandsraummodellen redundante und synergistische kausale Wechselwirkungen in physiologischen Netzwerken aufdeckt und so neue Einblicke in autonome Dysfunktionen bei Patienten mit Neurally bedingter Synkope liefert.
Die Autoren stellen eine skalierbare Heterogene Graph-Neuronale Netzwerk-Architektur vor, die durch einen Multi-Task-Lernansatz und integrierte Graph-Pruning-Schichten die Rekonstruktion von Teilchenkollisionen am LHC verbessert, indem sie gleichzeitig Vertex-Zuordnungen vornimmt und die Graphenkomplexität reduziert.