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 analysiert ein Netzwerk von 3,7 Milliarden elektronischen Rechnungen aus dem brasilianischen Bundesstaat Ceará, um durch die Anwendung von Infomap-Algorithmen, der Analyse des komparativen Vorteils (RCA) und Maximum-Entropie-Modellen die wirtschaftliche Kohäsion und die strukturelle Dynamik zwischen Städten und Produkten zu untersuchen.
Das Paper stellt den „Poisson Log-Normal“ (PoLoN) Prozess vor, ein nicht-parametrisches Framework auf Basis von Gauß-Prozessen, das zur Vorhersage und Signalextraktion aus diskreten Zähldaten eingesetzt werden kann.
Diese Arbeit untersucht mittels Singularer Störungstheorie und Tensor-Programmen die Dynamik von zwei-schichtigen neuronalen Netzen im Unendlichkeitslimit und zeigt auf, wie ein Zeitmaßstab-Unterschied zwischen den Schichten (Fast-Slow-Dynamik) den Prozess des „Feature Unlearning“ steuert.
DerivKit ist ein Python-Paket für die ableitungsbasierte statistische Inferenz, das durch stabile numerische Differenzierung eine Brücke zwischen schnellen Fisher-Vorhersagen und rechenintensiven MCMC-Methoden schlägt.
Diese Arbeit zeigt, dass selbst in statistisch hoch belastbaren Zähl-Experimenten endliche Monte-Carlo-Stichprobengrößen, die zur Modellierung systematischer Unsicherheiten verwendet werden, dazu führen, dass die Standard-Asymptotik-Approximationen für Profile-Likelihood-Ratio-Konfidenzintervalle versagen, was eine systematische Unterdeckung zur Folge hat.
Almanac ist ein auf Hamiltonian Monte Carlo basierendes Framework, das rauschfreie All-Himmel-Karten und die dazugehörigen Leistungsspektren aus verrauschten kosmologischen Beobachtungen über mehrere Rotverschiebungs-Bins hinweg extrahiert, dabei modellunabhängige Posterior-Datenprodukte bereitstellt, die Probleme wie $EB$-Leakage vermeiden und robuste Diagnosen von systematischen Fehlern oder neuer Physik ermöglichen.
Diese Studie vergleicht fünf verschiedene Algorithmen zur Identifizierung von Leerräumen (Voids), die auf die IllustrisTNG-Simulation angewendet wurden, um zu zeigen, dass der radiale Gradient des individuellen Galaxien-Bias innerhalb kosmischer Leerräume zwar ein robustes Merkmal ist, die spezifische Auswahl von anti-biasierten Galaxien und die Kontamination durch hoch-biasierte Randgalaxien jedoch signifikant von der gewählten Definition der Leerräume und den Dichteschwellenwerten abhängen.
Dieses Paper stellt MoreFit vor, ein hochleistungsfähiges Framework für die unbinäre Maximum-Likelihood-Parameterschätzung in der Teilchenphysik, das Just-in-Time-kompilierte Rechengraphen, neuartige automatische Optimierungen und heterogene Backends (OpenCL und LLVM/Clang) nutzt, um überlegene Geschwindigkeit und Effizienz auf verschiedensten Hardwareplattformen zu erreichen.
Diese Arbeit evaluiert systematisch die Sensitivität von vier semi-überwachten Anomalieerkennungsmethoden gegenüber nicht abstimmbaren Hyperparametern bei der Suche nach Physik jenseits des Standardmodells und schlägt einen robusten, nicht-parametrischen Permutationstest zur statistischen Bewertung vor.
Diese Arbeit vereint die Gauß-Prozess-Regression mit der dynamischen Modendekomposition, um die Herausforderungen der Skalierbarkeit und Hyperparameteroptimierung kernelbasierter Koopman-Operator-Methoden zu adressieren und dadurch die Recheneffizienz sowie die Rauschresistenz bei der Modellierung nichtlinearer dynamischer Systeme zu verbessern.