🔬 Category

physics.data-an

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.

Exact Identity Linking Entropy Production and Mutual Information

Die Arbeit stellt eine exakte Identität auf, die die Entropieproduktionsrate bei überdämpfter Langevin-Dynamik als vierfache gegenseitige Informationsrate zwischen infinitesimaler Verschiebung und Zeitmittelpunkt plus einen Strömungsterm darstellt, was eine rein vorwärtsgerichtete Charakterisierung der Irreversibilität und eine informationstheoretische Zerlegung der Entropieproduktion in selbstständige und interaktive Komponenten ermöglicht.

Doohyeong Cho, Hawoong Jeong2026-04-23🔬 cond-mat

Bayesian approach for uncertainty quantification of hybrid spectral unmixing in γ\gamma-ray spectrometry

Diese Studie entwickelt und bewertet zwei bayesianische Methoden, die Laplace-Näherung und Markov-Ketten-Monte-Carlo-Simulation, zur zuverlässigen Unsicherheitsquantifizierung bei der hybriden spektralen Entmischung in der Gammastrahlenspektrometrie, wobei sich zeigt, dass nur die MCMC-Methode auch bei aktiven Randbedingungen oder starkem Untergrund verlässliche Konfidenzintervalle liefert.

Dinh Triem Phan, Jérôme Bobin, Cheick Thiam, Christophe Bobin2026-04-23🔬 physics

End-to-End Large Portfolio Optimization for Variance Minimization with Neural Networks through Covariance Cleaning

Die Studie stellt ein rotationsinvariantes neuronales Netzwerk vor, das durch das gemeinsame Lernen von Lag-Transformationen und Eigenwertregularisierung eine interpretierbare, dimensionsunabhängige Schätzung der Kovarianzmatrix ermöglicht, die im Vergleich zu bestehenden Methoden über einen Zeitraum von 2000 bis 2024 eine überlegene Risikominimierung und Performance auch unter realistischen Handelsbedingungen erzielt.

Christian Bongiorno, Efstratios Manolakis, Rosario Nunzio Mantegna2026-04-22💰 q-fin