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 Studie stellt ein neuartiges, nichtlineares reduziertes Ordnungsmodell vor, das auf der Volterra-Theorie und Oszillatordynamik basiert, um die aeroelastische Wechselwirkung von Stoßwellenbuffet in transsonischen Strömungen effizient und präzise zu simulieren.
Die Studie zeigt, dass durch datengesteuerte Merkmalsauswahlverfahren wie SFS eine hochpräzise Materialklassifizierung mittels referenzfreier Terahertz-Spektroskopie mit nur wenigen Frequenzen erreicht werden kann, was kompakte Sensoren für Anwendungen wie Sicherheitskontrollen und zerstörungsfreie Prüfung ermöglicht.
Diese Studie stellt einen neuen Algorithmus vor, der die Richtung in zweidimensionalen diskreten Verteilungen bestimmt, indem er die diskrete Frobenius-Norm mit einer abgeleiteten kontinuierlichen analytischen Näherung vergleicht, die sich als Absolutwert einer Sinusfunktion erweist und so eine präzise Richtungsbestimmung ermöglicht.
Die Studie stellt die experimentell validierte Methode „Dichography" vor, die es ermöglicht, aus einem einzigen Beugungsmuster zwei zeitverzögerte Aufnahmen von Nanopartikeln mit 20 nm Auflösung zu rekonstruieren und so die Zerstörungsfreiheit ultrakurzer Röntgenpulse über Zeitskalen von bis zu 750 fs nachzuweisen.
Die Arbeit stellt GABI vor, ein geometriebewusstes Framework für die bayessche Inversion, das durch einen „zuerst lernen, später beobachten"-Ansatz auf großen Datensätzen variierender Geometrien trainierte generative Modelle als informative Priors nutzt, um die Unsicherheitsquantifizierung bei der Rekonstruktion physikalischer Systeme aus wenigen Beobachtungen zu verbessern.
Dieses Paper stellt NuBench vor, ein offenes Benchmark-System mit sieben großen Simulationsdatensätzen, das die Entwicklung und den Vergleich von Deep-Learning-Methoden für die Ereignisrekonstruktion in Neutrinoteleskopen über verschiedene Detektorgeometrien und Umgebungen hinweg ermöglicht.
Diese Studie stellt eine neuartige MIMO-basierte Extreme- Learning-Machine-Methode zur kurzfristigen Vorhersage von Energieerzeugung und -verbrauch vor, die mit sechs Jahren stündlicher Daten aus Korsika eine hohe Genauigkeit bei geringem Rechenaufwand für Echtzeitanwendungen erreicht.
Diese erste umfassende Übersicht stellt einen einheitlichen methodischen Rahmen für Scientific Machine Learning in der Hydrologie vor, um die derzeitige Fragmentierung verschiedener Ansätze zu überwinden, die konzeptionelle Klarheit zu fördern und zukünftige Forschungsrichtungen aufzuzeigen.
Diese Arbeit führt eine systematische Unsicherheitsanalyse für eine kugelförmige Magnetfeldkamera durch, bei der mittels Monte-Carlo-Simulationen der Einfluss von Sensorunsicherheiten wie Kalibrierungsfehlern und Positionsungenauigkeiten auf die Genauigkeit der mittels Sphärischer Harmonischer rekonstruierten Magnetfelder untersucht wird.
Diese Arbeit stellt ein hybrides Framework vor, das physikbasierte FSDT-Modelle mit maschinellem Lernen und Unsicherheitsquantifizierung kombiniert, um bei Composite-Platten eine präzise und dateneffiziente Lokalisierung von Aufprallereignissen sowie eine robuste Kraftschätzung zu ermöglichen.