324 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.
Diese Arbeit untersucht die Anwendung der dynamischen Modenzerlegung (DMD) auf die experimentale Modalanalyse linearer mechanischer Systeme, zeigt deren Genauigkeit bei geringen Messfehlern und bestätigt ihre Leistungsfähigkeit durch den Vergleich mit etablierten Methoden an einem experimentellen Balken.
Die Arbeit zeigt, dass ein einziges Ensemble zufälliger Transfer-Matrix-Produkte als einheitlicher Generator für die kanonischen KPZ-Schwankungsgesetze in -Dimensionen dient, indem sie geometrieabhängige Unterklassen als Projektionen dieses einen Matrix-Ensembles interpretiert und dabei neue, intrinsische Fluktuationsobservablen jenseits der klassischen Universalitätsklassen aufdeckt.
Die Autoren stellen ein robustes, auf einem 1D-CNN basierendes Deep-Learning-Framework vor, das die Echtzeitanalyse von ODMR-Spektren von Stickstoff-Fehlstellen-Zentren in Diamant ermöglicht und dabei herkömmliche nichtlineare Anpassungsverfahren in Bezug auf Geschwindigkeit, Genauigkeit und Robustheit, insbesondere bei niedrigem Signal-Rausch-Verhältnis, übertrifft.
Die Studie zeigt, dass sich bei dem Übergang des ganzzahligen Quanten-Hall-Effekts in einem offenen Chalker-Coddington-Netzwerk die maximale Wellenfunktionsamplitude in einen globalen Verstärkungsfaktor und einen intrinsischen Extremwert zerlegen lässt, wobei die Normalisierung durch diesen Faktor die Statistik der kritischen Fluktuationen grundlegend verändert und extreme Observablen als robuste Werkzeuge zur Untersuchung korrelierter Kritikalität in offenen Quantensystemen etabliert.
Diese Arbeit liefert einen mathematischen Beweis dafür, dass abstrakte Repräsentationen latenter Variablen in den versteckten Schichten von feedforward neuronalen Netzen bei der Optimierung für Aufgaben, die von diesen Variablen abhängen, garantiert entstehen, und erklärt damit deren häufige Beobachtung sowohl im Gehirn als auch in künstlichen neuronalen Netzen.
Die Arbeit stellt eine modifizierte Streuquerschnittsformel vor, die es ermöglicht, in semi-klassischen Simulationen die Pryce-Ward-Korrelationen für verschränkte Annihilationsphotonen mit den Klein-Nishina-Statistiken für einzelne Photonen in Einklang zu bringen, indem sie das Problem der undefinierten Polarisationsbasis im Singulett-Zustand löst.
Die Studie stellt MorphZ vor, einen effizienten und sampler-unabhängigen Nachbearbeitungsschätzer für die marginale Likelihood, der durch die Morph-Approximation posteriorer Verteilungen präzise Evidenzschätzungen bei deutlich reduzierten Rechenkosten ermöglicht und dabei bestehende Inferenzworkflows ergänzt.
Diese Arbeit stellt eine neue Koopman-Methode vor, die Sea Surface Temperature (SST) mittels eines Signature-Kernels analysiert, um durch die Einbeziehung von Trajektorien-Historien sowohl die Vorhersagegenauigkeit als auch die spektrale Diagnose hochdimensionaler Ozeandynamiken zu verbessern.
Diese Arbeit fasst die jüngsten Fortschritte bei der Identifizierung hadronischer Endzustände im ATLAS-Experiment zusammen, wobei künstliche Intelligenz-Algorithmen wie Graph-Neuronale Netze und Transformer-Architekturen zur Klassifizierung von Jets und zur Unterscheidung von Quark-, Gluon- sowie schweren Teilchenzerfällen eingesetzt werden.
Die vorgestellte Arbeit führt den Begriff der zufällig modulierten Gauß-Prozesse als einheitliches Rahmenwerk ein, das die Modellierung, Analyse und Klassifizierung anomaler Diffusion in heterogenen Medien ermöglicht und dabei Korrelationen in den Verschiebungen sowie deren Amplitudenfluktuationen integriert.