252 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.
Dieses Paper führt BayesMBAR ein, eine bayessche Verallgemeinerung der Multistate-Bennett-Acceptance-Ratio-Methode (MBAR), die freie Energie-Posteriorverteilungen berechnet, um genauere Unsicherheitsschätzungen zu liefern und die Einbeziehung von Vorwissen, wie etwa Oberflächenglattheit, in Berechnungen der freien Energie zu ermöglichen.
Diese Arbeit stellt die gängige Annahme infrage, dass teilbare Statistiken wie das Pearson- effektive Güteprüfungen in dünnbesetzten Datenregimen mit vielen Klassen darstellen, und schlägt stattdessen einen vereinheitlichenden Rahmen vor, der die Unzulänglichkeiten bestehender Methoden aufzeigt und modifizierte, leistungsfähigere Alternativen sowie neue verteilungsfreie Tests anbietet.
Diese Arbeit nutzt die Theorie der Zufallsmatrizen, um spektrale Fluktuationen in mehrschichtigen Netzwerken zu untersuchen, zeigt auf, dass universelle statistische Merkmale über variierende Konfigurationen der Konnektivität hinweg bestehen bleiben, und modelliert erfolgreich den Übergang zwischen der Statistik unabhängiger und vollständig gekoppelter Schichten, wobei die Anwendungen an realen Proteinstrukturen validiert wurden.
Dieses Paper führt einen variationstheoretischen Rahmen ein, der gerichtete Interaktionen als Kantenflüsse auf einem simplizialen Komplex darstellt, um einen niedrigdimensionalen Hilbert-Raum persistenter harmonischer Zyklen zu extrahieren, was skalierbare statistische Inferenz ermöglicht und eine reproduzierbare großräumige rekursive Organisation in hochdimensionalen Systemen wie menschlichen fMRT-Daten offenbart, die traditionelle paarweise Methoden übersehen.
Dieses Paper stellt das Reweighting Adversarial Network (RAN) vor, eine neuartige unbinierte Unfolding-Technik, die eine Teilchen-Ebene-Gewichtungsfunktion nutzt, die von einem Wasserstein-Kritiker geleitet wird, um die Einschränkungen der Überlappung des Trägerbereichs zu überwinden und dem Stand der Technik in Bezug auf Genauigkeit und Recheneffizienz zu übertreffen.
Das Paper stellt **PoissonRatioUQ** vor, ein R-Paket, das für die Bayessche Modellierung und Unsicherheitsquantifizierung von Zählverhältnissen entwickelt wurde, indem es sich auf das Verhältnis von Poisson-Mittelwerten konzentriert und dabei flexible Optionen sowohl für räumliche als auch für nicht-räumliche Daten sowie eine spezialisierte Handhabung von Intensitätsverhältnis-Transformationen bietet.
Diese Arbeit analysiert 623 Bolidenereignisse von 2007 bis 2025, um zu zeigen, dass die Detektierbarkeit von Infraschall primär durch die Eintrittsgeometrie bestimmt wird, wobei steilere Winkel und Energiedeposition in niedrigeren Höhen bevorzugt werden, während die atmosphärische Ausbreitung und das Energieniveau als sekundäre modulierende Faktoren wirken.
Diese Arbeit schlägt eine praktische Methodik vor und validiert diese zur Eliminierung von Verzerrungen in -Global-Polarisationsmessungen, die durch asymmetrische Detektorakzeptanz in Festkörper-Schwerionenkollisionsexperimenten verursacht werden, wodurch genauere Untersuchungen der Spindynamik über das QCD-Phasendiagramm hinweg ermöglicht wird.