326 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 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.
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 Arbeit zeigt, dass durch eine geeignete Wahl der Prior-Parametrisierung und die Inflierung der Unsicherheiten konservative Posterior-Ungenauigkeiten für Parameter von Interesse auch bei unbekannten Korrelationen zwischen verschiedenen Experimenten gewährleistet werden können.
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.
Diese Studie stellt eine neue Methodik zur Analyse von Neutronenstreu-Ereignisdaten vor, die auf Histogrammierung und Least-Squares-Fitting verzichtet und somit präzisere Parameterwerte sowie eine deutlich höhere Effizienz bei reduzierten systematischen Fehlern ermöglicht, wenngleich auf Kosten einer geringeren Intuitivität und längerer Rechenzeit.
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 Arbeit präsentiert Algorithmen zur direkten Schätzung von Detektor-Fehlermodellen (DEMs) aus Syndromdaten ohne Decoder, validiert diese an Google's Willow-Chips und nutzt sie zur Analyse von Fehlerkorrelationen sowie zur Identifizierung von Abweichungen wie strahlungsbedingten Ereignissen, wobei sich herausstellt, dass direkt geschätzte DEMs besser für die Vorhersage neuer Syndrome geeignet sind, während für die Dekodierung optimierte Modelle in logischen Speicherexperimenten überlegen sind.