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.
Dieses Papier führt eine neuartige, distributionsfreie Goodness-of-Fit-Strategie zur Überprüfung von Modellen des Winkelleistungsspektrums mit unbekannten Parametern ein, die durch den Verzicht auf fallweise Simulationen eine breite Anwendbarkeit und signifikante Recheneffizienz gewährleistet.
Dieses Paper präsentiert ein modellfreies Framework, das die Escort-gewichtete Shannon-Entropie und verschiedene Divergenzmatrizen nutzt, um Phasenübergänge und statistische Veränderungen in Streu- und Bildgebungsdaten sensitiv zu detektieren, ohne explizite physikalische Modelle oder Ordnungsparameter zu erfordern.
Durch die Anwendung der Allan-Abweichung auf Satz-Embeddings charakterisiert diese Studie die semantische Dynamik von Text als eine stochastische Trajektorie, die distinkte Kurzzeit-Skalierungsregime offenbart, welche kreatives von technischem Schreiben differenzieren, und legt eine systematische Reduktion des langfristigen Stabilitätsziels in großen Sprachmodellen im Vergleich zur menschlichen Kognition offen.
Dieses Paper stellt den Adaptive Particle Batch Smoother (AdaPBS) vor, einen neuartigen Algorithmus zur Datenassimilation in der Kryosphäre, der Partikelmethoden mit dem iterativen AMIS-Framework kombiniert, um Ensemble-Kollaps zu mildern und die Rechenkosten dynamisch anzupassen, wobei er gegenüber bestehenden Methoden in verschiedenen Szenarien der Schneetiefen-Assimilation eine überlegene oder vergleichbare Leistung demonstriert.
Diese Arbeit präsentiert eine skalierbare, KI-gestützte Methode unter Verwendung von Satellitenbildern und dem Segment Anything Model, um die Fußgängerüberquerungsdistanzen in den 100 größten Städten Amerikas automatisch zu messen, wobei aufgezeigt wird, dass ältere Städte dazu neigen, breitere, autozentriertere Straßen mit mittleren Überquerungsdistanzen zwischen 32 und 78 Fuß zu besitzen.
Dieses Paper führt die datengesteuerte ARGOS-Metrik ein, ein theoretisch fundiertes und empirisch robustes Werkzeug zur Auswahl der sensitivsten Anomalieerkennungsmodelle auf modellagnostische Weise, welches dessen Überlegenheit gegenüber bestehenden Metriken wie dem Binary Cross-Entropy-Loss in Aufgaben wie der Hyperparameteroptimierung und der Merkmalsauswahl demonstriert.
McSAS3 ist eine überarbeitete Monte-Carlo-Software-Suite mit einer grafischen Benutzeroberfläche, die eine automatisierte und flexible formfreie Analyse von Kleinwinkelstreudaten für sowohl verdünnte als auch dichte Streuer ermöglicht.
Das Paper stellt PanopTag vor, eine neuartige Encoder-Decoder-Architektur, die durch die Nutzung von Inter-Jet-Korrelationen und Ereignis-Kontext aller Jets in einem Teilchenkollisionsereignis gleichzeitig markiert und dadurch herkömmliche Single-Jet-Klassifizierungsmethoden beim Heavy-Flavor-Tagging signifikant übertrifft.
Um das Risiko des „Frosch in der Kochtopf“-Szenarios zu adressieren, bei dem Studierende aufgrund von generativer KI aus den epistemischen Praktiken des Physiklernens aussteigen, schlägt dieses Paper ein Instruktionsdesign-Framework vor, das KI als einen begrenzten epistemischen Partner innerhalb kognitiv aktivierender Aktivitäten positioniert, um sicherzustellen, dass Studierende die primären Akteure der Prädiktion, Interpretation und Evaluation bleiben.
Dieses Tutorial bietet einen praktischen Leitfaden für Single-Pixel-Imaging und Compressive Sensing, indem es experimentelle Implementierungen verschiedener Rekonstruktionsmethoden – von deterministischen Algorithmen bis hin zu Deep Learning – detailliert beschreibt, zusammen mit begleitenden Python-Notebooks, um die Reproduktion von Ergebnissen und die Anwendung auf diverse Bildszenarien zu erleichtern.