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.

Dara: Automated multiple-hypothesis phase identification and refinement from powder X-ray diffraction

Das Paper stellt Dara vor, ein automatisiertes Framework zur robusten Identifizierung und Verfeinerung mehrerer Phasen in Pulver-Röntgendiffraktogrammen durch eine datengesteuerte Baum-Suche und Rietveld-Verfeinerung, um manuelle Analysen zu erleichtern und die Zuverlässigkeit bei komplexen Mehrphasensystemen zu erhöhen.

Yuxing Fei, Matthew J. McDermott, Christopher L. Rom, Shilong Wang, Gerbrand Ceder2026-02-24🔬 cond-mat.mtrl-sci

Basis Function Dependence of Estimation Precision for Synchrotron-Radiation-Based Mössbauer Spectroscopy

Diese Arbeit stellt eine Methode zur bayesschen Schätzung vor, die es ermöglicht, das Messfenster der synchrotronstrahlungsbasierten Mößbauer-Spektroskopie zu optimieren und so die Präzision der Bestimmung von Mößbauer-Zentrenverschiebungen im Vergleich zur herkömmlichen Lorentz-Funktion um mehr als das Dreifache zu verbessern.

Binsheu Shieh, Ryo Masuda, Satoshi Tsutsui, Shun Katakami, Kenji Nagata, Masaichiro Mizumaki, Masato Okada2026-02-23🔬 cond-mat.mtrl-sci

A Practical Guide to Unbinned Unfolding

Dieser Leitfaden fasst praktische Empfehlungen und Überlegungen von Forschern großer Teilchenphysik-Experimente zusammen, die unbünnige Entfaltungsmethoden mittels maschinellem Lernen zur Korrektur von Detektoreffekten und für flexiblere, hochdimensionale Analysen in Echtzeitdaten einsetzen.

Florencia Canelli, Kyle Cormier, Andrew Cudd, Dag Gillberg, Roger G. Huang, Weijie Jin, Sookhyun Lee, Vinicius Mikuni, Laura Miller, Benjamin Nachman, Jingjing Pan, Tanmay Pani, Mariel Pettee, Youqi S (…)2026-02-20⚛️ hep-ex

Lepton energy scale and resolution corrections based on the minimization of an analytical likelihood: IJazZ2.0

Diese Arbeit stellt eine neuartige analytische Likelihood-Maximierungsmethode vor, die in der Software IJazZ2.0 implementiert ist und durch die Vermeidung stochastischer Faltungen eine effiziente, voll differenzierbare und unverzerrte Bestimmung von Energie-Skalen- und Auflösungskorrekturen für Leptonen sowie Photonen bei Drell-Yan-Prozessen ermöglicht.

F. Couderc, P. Gaigne, M. Ö. Sahin2026-02-20⚛️ hep-ex