physics.data-an 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.

Estimating Detector Error Models on Google's Willow

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.

Kregg Elliot Arms, Martin James McHugh, Joseph Edward Nyhan, William Frederick Reus, James Loudon Ulrich2026-03-12⚛️ quant-ph

Bayesian Hierarchical Models and the Maximum Entropy Principle

Die Arbeit zeigt, dass die abhängige Randverteilung in bayesschen hierarchischen Modellen, bei denen die bedingte Prior-Verteilung eine kanonische Maximum-Entropie-Verteilung ist, ebenfalls eine Maximum-Entropie-Eigenschaft bezüglich einer anderen Randverteilungsbedingung aufweist, was die impliziten Annahmen solcher Modelle verdeutlicht.

Brendon J. Brewer2026-03-12📊 stat

A mapping-based projection of detailed kinetics uncertainty onto reduced manifolds

Die Studie stellt ein zweistufiges, rechnerisch effizientes Framework vor, das Unsicherheiten detaillierter chemischer Kinetikparameter durch Projektion auf reduzierte Mannigfaltigkeiten quantifiziert und damit eine skalierbare, räumlich aufgelöste Unsicherheitsanalyse für komplexe Verbrennungssimulationen ermöglicht.

Vansh Sharma, Shuzhi Zhang, Rahul Jain, Venkat Raman2026-03-12🔬 physics

Enhancing Reconstruction Capability of Wavelet Transform Amorphous Radial Distribution Function via Machine Learning Assisted Parameter Tuning

Diese Studie stellt das verbesserte WT-RDF+-Framework vor, das durch maschinelles Lernen optimierte Parameter nutzt, um die Amplitudengenauigkeit der Wellenpaket-Transformierten Radialverteilungsfunktion für die Rekonstruktion der atomaren Struktur von amorphen Ge-Se- und Ag-Ge-Se-Materialien signifikant zu steigern und dabei konventionelle ML-Modelle zu übertreffen.

Deriyan Senjaya, Stephen Ekaputra Limantoro2026-03-11🔬 cond-mat.mtrl-sci

New techniques to investigate the AGN-SF connection with integral field spectroscopy

Die Studie stellt eine neue Methode zur Entmischung von AGN- und Sternentstehungsbeiträgen in Integral-Feld-Spektroskopie-Daten vor und findet moderate Korrelationen zwischen der Eddington-Ratio und der Sternentstehungsrate, was auf eine Verbindung zwischen AGN-Akkretion und junger nuklearer Sternentstehung hindeutet.

Aman Chopra, Henry R. M. Zovaro, Rebecca L. Davies2026-03-11📊 stat

Physics-based signal analysis of genome sequences: GenomeBits overview

Der Artikel stellt GenomeBits vor, ein physikbasiertes Werkzeug zur Analyse von Genomsequenzen mittels Signalverarbeitung und Quantenmechanik, das durch die Umwandlung von Nukleotiden in numerische Sequenzen charakteristische Mutationen und Ordnungsübergänge bei SARS-CoV-2-Varianten und Monkeypox aufdeckt.

E. Canessa2026-03-10🧬 q-bio

Leveraging chaotic transients in the training of artificial neural networks

Die Studie zeigt, dass künstliche neuronale Netze durch das Ausnutzen von chaotischen Transienten bei ungewöhnlich hohen Lernraten in einen Zustand des Gleichgewichts zwischen Exploration und Exploitation übergehen, was zu einer signifikanten Beschleunigung des Trainings führt.

Pedro Jiménez-González, Miguel C. Soriano, Lucas Lacasa2026-03-10🤖 cs.LG

A Thermodynamic Structure of Asymptotic Inference

Die Arbeit entwickelt ein thermodynamisches Rahmenwerk für die asymptotische Inferenz, das Shannon-Information als Entropie behandelt und zeigt, dass Inferenzprozesse als entgegengesetzte Schattenprozesse zur Ensemblephysik innerhalb einer vereinheitlichten thermodynamischen Beschreibung evolvierten.

Willy Wong2026-03-10🔬 physics

GNN For Muon Particle Momentum estimation

Diese Arbeit zeigt, dass Graph Neural Networks (GNNs) die Momentum-Schätzung von Myonen im CMS-Experiment im Vergleich zu traditionellen Modellen wie TabNet verbessern und dass die Dimension der Knotenmerkmale entscheidend für die Effizienz des GNN ist.

Vishak K Bhat, Eric A. F. Reinhardt, Sergei Gleyzer2026-03-10🤖 cs.LG

Learning the Standard Model Manifold: Bayesian Latent Diffusion for Collider Anomaly Detection

Die Autoren stellen einen physikinformierten Anomalieerkennungsframework für Kollidierdaten vor, der auf einem bayesschen latenten Diffusionsmodell basiert und durch die Kombination von probabilistischer Kodierung, Diffusionsdynamik und physikalischen Randbedingungen eine stabile Dichteschätzung sowie zuverlässige Unsicherheitsschätzung für die Suche nach neuer Physik am LHC ermöglicht.

Jigar Patel, Tommaso Dorigo2026-03-10🔬 physics

← Zurück Weiter →