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.
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 Arbeit stellt AMBER vor, einen rotationsunabhängigen Segmentierungsalgorithmus, der zur automatisierten und modellfreien Trennung von Vordergrund- und Hintergrundsignalen in hochdimensionalen Neutronenstreuexperimenten dient, um manuellen Aufwand zu reduzieren und systematische Fehler zu minimieren.
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.
Die Arbeit stellt AUSSIE vor, eine neue Methode zur Entfaltung von LHC-Messdaten, die ohne Iterationen, Adversaries oder Surrogat-Modelle auskommt und durch eine neuartige Verlustfunktion asymptotisch korrekte Ergebnisse mit minimaler Abhängigkeit von Referenzsimulationen liefert.
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 Arbeit wendet Konzepte der Strömungsmechanik auf zeitliche Netzwerke an, indem sie zwei neue Eigenzerlegungen – eine auf der Proper Orthogonal Decomposition basierende Methode zur Kompression und Rekonstruktion sowie eine Koopman-Operator-Approximation für eine spektrale Beschreibung der Dynamik – entwickelt und an synthetischen Modellen validiert.
Diese Studie nutzt eine nicht-parametrische Gaussian-Process-Rekonstruktion der Expansionsgeschichte, um die Konstanz der Leuchtkraft von Typ-Ia-Supernovae zu testen, und findet zwar eine allgemeine Übereinstimmung mit der Standardkerzen-Hypothese, jedoch deutliche, in zwei unabhängigen Datensätzen wiederkehrende lokale Abweichungen, die auf eine mögliche nicht-monotone evolutionäre Entwicklung hindeuten.
Diese Arbeit stellt ein neuartiges Maximum-Likelihood-Schätzverfahren vor, das durch sparse Optimierung und einen IRLS-Algorithmus die nicht-gaußsche, intermittierende Natur turbulenter Strömungen erfasst und damit herkömmliche Methoden bei der Rekonstruktion von Teilchenbeschleunigungen sowie der Erhaltung schwerer Verteilungsenden übertrifft.