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.
Diese Arbeit stellt mit QUnfold ein neuartiges, auf Optimierung basierendes Framework für die Entfaltung von Detektordaten in der Hochenergiephysik vor, das eine QUBO-Repräsentation nutzt, um sowohl klassische als auch quantenannealing-basierte Lösungsverfahren zu ermöglichen und dabei eine wettbewerbsfähige Genauigkeit im Vergleich zu etablierten Methoden erreicht.
Diese Studie stellt TRec vor, ein physikbasiertes Framework zur zerstörungsfreien Überwachung versiegelter Mikroreaktorkerne mittels Myonenstreuung, das durch die Integration von Impulsmessungen und Bayesscher Aktualisierung die Detektierbarkeit fehlender Brennelemente im Vergleich zu herkömmlichen Methoden erheblich steigert.
Diese Arbeit stellt ein Tutorial vor, das eine zweistufige Bayes'sche Methode zur Unsicherheitsquantifizierung und zur Generierung mehrerer konsistenter Hugoniot-Kurven aus linearen Stoßwellendaten beschreibt, wobei die Vorgehensweise anhand von Argon-, Kupfer- und Nickel-Daten demonstriert und als interpretierbare, recheneffiziente und robuste Alternative zu Bootstrapping-Verfahren bewertet wird.
Die Arbeit stellt Noise2Ghost vor, eine selbstüberwachte, tiefenlernbasierte Methode zur Rekonstruktion von Ghost-Imaging-Daten, die ohne saubere Referenzdaten auskommt und durch hervorragende Rauschunterdrückung besonders für rauschbehaftete Aufnahmen in Low-Light-Szenarien wie der Röntgenfluoreszenzanalyse geeignet ist.
Die Studie stellt ein physik-embeddedes bayessches neuronales Netzwerk (PE-BNN) vor, das durch die Integration kernphysikalischer Vorwissen und eine Optimierung mittels WAIC die energieabhängigen Spaltprodukt-Ausbeuten mit feinen Strukturen präzise vorhersagt.
Die Studie stellt SKANODEs vor, ein Framework, das Kolmogorov-Arnold-Netzwerke in Neural ODEs integriert, um aus Beschleunigungsdaten physikalisch interpretierbare latente Zustände zu rekonstruieren und präzise, symbolische Gleichungen für nichtlineare dynamische Systeme zu entdecken.
Diese Studie zeigt, dass der Einsatz von Deep Neural Networks zur Positionsrekonstruktion in einem 2x2-Array von linear-gradierten SiPMs die Ortsauflösung und Linearität im Vergleich zu herkömmlichen Methoden erheblich verbessert und die Anzahl der auflösbaren Bereiche um den Faktor 5,7 bis 12,1 steigert.
Diese Studie nutzt Visualisierungs- und Sonifikationsmethoden, um anhand von Multifrequenzdaten die Variabilität ausgewählter Blazare zu analysieren und dabei sowohl wissenschaftliche Erkenntnisse zu gewinnen als auch die Inklusion in der Wissenschaftskommunikation zu fördern.
Die Autoren analysieren die Diskrepanz zwischen zeitkontinuierlichen Modellen und zeitdiskreten Mess-Rückkopplungs-Architekturen bei Ising-Maschinen, die zu einer erhöhten Hyperparameter-Empfindlichkeit führt, und stellen eine experimentell validierte Methode vor, um diese Empfindlichkeit zu verringern.
Diese Studie analysiert die S&P500-Marktkorrelation mittels einer generalisierten Langevin-Gleichung, zeigt signifikante Gedächtniseffekte über mindestens drei Handelswochen und eine verborgene langsame Zeitskala auf, die für die Risikominimierung bei der Portfolioauswahl sowie für die Existenz lokal stabiler Marktzustände entscheidend sind.