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.
Die Autoren stellen einen maschinellen Lernansatz vor, der mittels eines Autoencoders und der kontinuierlichen Überwachung von Raum-Zeit-Trajektorien nichtgleichgewichtige Phasenübergänge in Quantensystemen erkennt, ohne dass vorab bekannte Ordnungsparameter oder aufwendige Zustandsrekonstruktionen erforderlich sind.
Die Studie untersucht den Einsatz von Agenten-Systemen auf Basis großer Sprachmodelle zur Automatisierung von Datenanalyse-Aufgaben in der Teilchenphysik und zeigt, dass diese Ansätze die Leistung menschlicher State-of-the-Art-Ergebnisse bei der Anomalieerkennung erreichen können.
Die Studie identifiziert die nicht-orthogonale Verstärkung von Eigenvektoren in mehrdimensionalen, zufälligen nicht-normalen Matrizen als einen neuen, allgemeinen Mechanismus, der durch transienten Wachstum und eine Erhöhung des effektiven Lyapunov-Exponenten zu kritischen, schwerfälligen Fluktuationen führt, wie sie beispielsweise beim Dehnen von Polymeren in turbulenten Strömungen beobachtet werden.
Diese Studie nutzt GPS-Archivdaten, um nach exotischen Feldern zu suchen, die mit der Neutronensternverschmelzung GW170817 einhergehen könnten, und leitet daraus neue, strengere Grenzen für die Kopplung solcher Felder ab, was die Eignung globaler Atomuhrennetzwerke für die Suche nach neuer Physik unterstreicht.
Die Autoren stellen ein hybrides Deep-Learning-Framework vor, das einen Autoencoder mit einem Gauß-Prozess kombiniert, um die Point-Spread-Function (PSF) über das gesamte Gesichtsfeld präziser zu modellieren als der aktuelle State-of-the-Art-Ansatz PIFF und so die Grundlage für zukünftige kosmologische Analysen im LSST legt.
Diese Arbeit demonstriert, dass amortisierte Simulation-Based Inference, insbesondere die Neural Posterior Estimation (NPE), eine effiziente und genaue Alternative zu herkömmlichen MCMC-Methoden darstellt, um die hochdimensionalen Parameterräume des pMSSM unter Berücksichtigung von Higgs-, Flavor- und Dunkle-Materie-Daten zu erkunden.
Die Autoren stellen ein allgemeines Framework für simulationsbasierte Inferenz vor, das mithilfe von faktorisierten Normalizing Flows und einer amortisierten Trainingsstrategie eine effiziente Profilierung systematischer Unsicherheiten bei der gleichzeitigen Messung multivariater Verteilungen in komplexen physikalischen Analysen ermöglicht.
Diese Arbeit stellt eine probabilistische, sequenzielle Bayes'sche Methode zur Zeitraffer-Full-Waveform-Inversion vor, die den Hamiltonian-Monte-Carlo-Algorithmus nutzt, um Baseline-Daten als Priorwissen einzubinden und trotz der hohen Dimensionalität des Problems zuverlässige Unsicherheitsquantifizierungen für die Überwachung von Änderungen im Erdinneren zu ermöglichen.
Die Arbeit leitet die stationären Verteilungen des erweiterten Chiarella-Modells für Finanzmärkte her und zeigt auf, unter welchen Bedingungen die Verteilungen von Fehlbewertungen und Trends unimodal oder bimodal sind, wobei sie bestehende Annahmen aus der Literatur korrigiert.
In dieser Arbeit wird eine Methode vorgestellt, mit der mithilfe von Differential Evolution und Modell-Synchronisation sowohl unbekannte Parameter als auch verborgene Zustände von Mean-Field-Modellen aus einer einzigen skalaren Beobachtungsreihe eines endlichen neuronalen Netzwerks präzise geschätzt werden können.