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 warnt davor, dass die Überbewertung der Zuverlässigkeit hybrider Metrologie in der Halbleiterfertigung durch das Ignorieren von „dunkler Unsicherheit" zu einer gefährlichen Unterschätzung der Gesamtfehlerquote führt, und plädiert für statistische Modelle, die inkonsistente Messergebnisse angemessen berücksichtigen.
Diese Studie zeigt, dass im Gegensatz zu rein nachgelagerten Methoden wie der konformen Vorhersage coverage-orientierte Lernansätze, die Unsicherheit direkt in den Optimierungsprozess einbeziehen, für die Vorhersage des kritischen Wärmestroms (CHF) besser geeignet sind, da sie komplexe physikalische Regime effektiver internalisieren und physikalisch konsistente Unsicherheitsschätzungen liefern.
Die Autoren stellen einen bayesschen Ansatz vor, der vergangene Netzwerkdaten nutzt, um zukünftige Konfigurationen mit Unsicherheitsquantifizierung vorherzusagen und dabei die Rekonstruktion von sich entwickelnden Netzwerken wie dem Interbankenmarkt durch selbsttragende Vorhersagen verbessert.
Die Studie entwickelt und wendet einen bayesschen Multi-Wellenlängen-Bildgebungsalgorithmus auf eROSITA-Daten des LMC SN1987A an, um durch Rauschunterdrückung, Entfaltung und Zerlegung unter Nutzung der Informationstheorie hochauflösende Einblicke in die feinen Strukturen und Punktquellen der Region zu gewinnen.
Diese erste umfassende Übersicht stellt einen einheitlichen methodischen Rahmen für Scientific Machine Learning in der Hydrologie vor, um die derzeitige Fragmentierung verschiedener Ansätze zu überwinden, die konzeptionelle Klarheit zu fördern und zukünftige Forschungsrichtungen aufzuzeigen.
Die Studie zeigt, dass die Anwendung eines Gaußschen Tiefpassfilters auf hochdimensionale Molekulardynamik-Daten Projektionsartefakte eliminiert und verborgene, strukturell besser definierte Konformationszustände wiederherstellt, wie am Beispiel des HP35-Proteins demonstriert wird.
Diese Studie zeigt, dass die Event Coincidence Analysis (ECA) im Vergleich zur Event Synchronization (ES) eine robustere Methode zur Unterscheidung von Synchronität und serialer Abhängigkeit in Zeitreihen darstellt, insbesondere bei kurzen Datensätzen mit niedriger zeitlicher Auflösung.
Diese Studie stellt ein einfaches, ressourcenschonendes komplexwertiges Autoregressionsmodell vor, das zur kurzfristigen probabilistischen Vorhersage der globalen Solarstrahlung auf Korsika eingesetzt wird und dabei sowohl deterministische als auch probabilistische Ergebnisse liefert, die in ihrer Genauigkeit oft klassische Methoden wie Gauß-Prozesse oder Quantilregression übertreffen.
Die Studie stellt einen rigorosen Benchmarking-Ansatz für die Vorhersage von Solarstrahlungszeitreihen vor, bei dem fünf naive Referenzmethoden, darunter ein neu vorgeschlagenes ARTU-Modell sowie eine Ensemble-Kombination, unter Verwendung diverser Fehlermetriken und Standorte evaluiert werden, um festzustellen, dass die Kombination und ARTU statistisch die besten Ergebnisse liefern.
Die Autoren stellen eine neue, auf Sparsity basierende Methode zur rekonstruktiven Tomographie von Scanning-Probe-Röntgenbeugungsdaten vor, die es ermöglicht, die Orientierungsverteilung in anisotropen polykristallinen Proben mit hoher Winkelauflösung und ohne Peak-Finding zu bestimmen, was insbesondere für Materialien mit kleinen Kristalliten wie biomineralisierte Schalen oder martensitische Stähle geeignet ist.