327 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.
Die Studie stellt Extracted Mode Tracking (EMT) vor, ein datengetriebenes Framework, das mithilfe von unüberwachtem maschinellem Lernen die zeitlich aufgelöste Dynamik von Wellenmoden in Fluiden mit unbekannten Randbedingungen direkt aus experimentellen Messdaten extrahiert und so theoretische Modellierungsprobleme umgeht.
Diese Studie stellt einen rechnerisch effizienten Rahmen für die beschleunigte Entdeckung von Legierungen vor, der die nicht-wechselwirkende Elektronendichte als übertragbaren Deskriptor nutzt, um durch Bayes'sches aktives Lernen und Zero-Shot-Extrapolation die Eigenschaften komplexer hochentropischer Legierungen mit minimalem Trainingsaufwand präzise vorherzusagen.
Die Studie identifiziert „Pseudo-Kohärenz" als einen neuen Mechanismus, bei dem nicht-normale pseudospektrale Verstärkung in linear stabilen, stochastischen Systemen ohne intrinsische Oszillatoren zu intermittierender kollektiver temporaler Organisation und scheinbaren Rhythmen führt.
Die vorgestellte Arbeit entwickelt zwei interpretierbare symbolische Lernverfahren (SyNF und SyTF), die aus chaotischen Zeitreihen explizite algebraische Gleichungen ableiten und dabei eine mit modernen Deep-Learning-Modellen konkurrierende Vorhersagegenauigkeit mit wissenschaftlicher Nachvollziehbarkeit verbinden.
Diese Arbeit stellt die Partial Decomposition of Granger Causality (PDGC) vor, eine Methode, die mithilfe der Partial Information Decomposition und frequenzbasierten Zustandsraummodellen redundante und synergistische kausale Wechselwirkungen in physiologischen Netzwerken aufdeckt und so neue Einblicke in autonome Dysfunktionen bei Patienten mit Neurally bedingter Synkope liefert.
Diese Arbeit stellt einen adaptiven, entropiegesteuerten Sensorauswahlmechanismus für einen Kamera-LiDAR-Partikelfilter vor, der in einer realen maritimen Testumgebung in Zypern nachweist, dass durch die dynamische Auswahl der informativsten Sensorkonfiguration eine robuste Einzel-Schiff-Verfolgung mit einem optimalen Kompromiss zwischen Genauigkeit und Kontinuität erreicht wird.
Die Autoren stellen eine skalierbare Heterogene Graph-Neuronale Netzwerk-Architektur vor, die durch einen Multi-Task-Lernansatz und integrierte Graph-Pruning-Schichten die Rekonstruktion von Teilchenkollisionen am LHC verbessert, indem sie gleichzeitig Vertex-Zuordnungen vornimmt und die Graphenkomplexität reduziert.
Die vorgestellte Studie entwickelt eine Methode zur Identifizierung höherer Ordnungs-Abhängigkeiten in multivariaten Zeitreihen, indem sie Daten in symbolische Sequenzen transformiert und statistisch signifikante Muster mittels eines bayesianischen Ansatzes extrahiert, um diese als Hyperkanten in einem Hypergraphen zu modellieren und so komplexe Wechselwirkungen in neuronalen und sozialen Systemen zu analysieren.
Die Studie zeigt, dass ein auf dem Qwen2.5-Modell basierender „Lightcone LLM" (L3M) durch Transferlernen und Connector-Netzwerke Standardinitialisierungen übertrifft und sich für die Analyse und Generierung von SKA-Daten sowie die kosmologische Parameterregression und Lichtkegel-Generierung als vielversprechende Alternative zu spezialisierten neuronalen Netzen erweist.
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.