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 stellt SpecTUS vor, ein tiefes neuronales Netzwerk, das Massenspektren direkt in chemische Strukturen übersetzt und dabei die Genauigkeit bei der Identifizierung unbekannter Verbindungen erheblich über die herkömmlichen Datenbankabgleichsmethoden hinaus verbessert.
Dieses Paper stellt die assimilative kausale Inferenz (ACI) vor, ein neuartiges Framework, das auf der bayesschen Datenassimilation basiert, um dynamische, zeitlich veränderliche Kausalbeziehungen in komplexen Systemen rückwärts von beobachteten Effekten zu rekonstruieren, ohne dass Beobachtungen der potenziellen Ursachen erforderlich sind.
Die Studie stellt eine neue Methode zur amortisierten Posterior-Schätzung mittels likelihood-gewichteter Normalizing Flows vor und zeigt, dass die Verwendung von Gaussian Mixture Models als Basisverteilung entscheidend ist, um die Topologie multi-modaler Posteriors korrekt abzubilden und die Bildung falscher Wahrscheinlichkeitsbrücken zu vermeiden.
Die Studie zeigt, dass eine rechen-effiziente Variante der EfficientNet-Architektur in Kombination mit globalen Jet-Features eine wettbewerbsfähige Leistung bei der Identifizierung von Top-Quark-Jets erzielt und dabei die Bedeutung globaler Merkmale sowie die Redundanz komplexer Netzwerkarchitekturen aufzeigt.
Die Autoren stellen ein auf Warteschlangen basierendes Stichprobenverfahren für kontinuierliche zeitliche Netzwerke vor, das auf einem Markov-Modell mit Poisson-Prozessen und exponentiellen Dauerzeiten beruht, um synthetische Netzwerke mit kontrollierbaren Eigenschaften und blockstrukturierten Endpunkten zu erzeugen, die für die Validierung von Analysemethoden geeignet sind.
Diese Arbeit stellt einen probabilistischen Rahmen für die Bahnbestimmung im zirkularen Raum vor, der eine neue Methode zur initialen Orbitbestimmung durch kinematische Anpassung von Beobachtungsdaten mit dem Particle Gaussian Mixture-Filter zur Unsicherheitsreduktion kombiniert, um die Einschränkungen von Gaußs Methode in der Dreikörperdynamik zu überwinden.
Dieses Paper stellt eine robuste, auf der Bayes-Statistik basierende Methode zur gewichteten Mittelung inkonsistenter Datensätze vor, die Ausreißer besser handhabt als der Standardansatz, und demonstriert deren Wirksamkeit an kritischen physikalischen Daten sowie durch eine bereitgestellte Python-Bibliothek.
Diese Arbeit stellt ein neuartiges hyperbolisches Einbettungsframework für Multilayer-Netzwerke vor, das heterogene Knotenmengen und Schichtverbindungen berücksichtigt, um sowohl die globale Struktur als auch schichtspezifische Details zu erhalten und damit bei der Analyse synthetischer und realer Gehirnnetzwerke bestehenden, schichtunabhängigen Methoden überlegen ist.
Das Paper stellt GollumFit vor, ein Open-Source-Framework für das IceCube-Observatorium, das eine zeiteffiziente binned-Likelihood-Analyse von Neutrinoteleskopdaten unter Berücksichtigung zahlreicher Nuisance-Parameter ermöglicht.
Dieser Leitfaden fasst praktische Empfehlungen und Überlegungen von Forschern großer Teilchenphysik-Experimente zusammen, die unbünnige Entfaltungsmethoden mittels maschinellem Lernen zur Korrektur von Detektoreffekten und für flexiblere, hochdimensionale Analysen in Echtzeitdaten einsetzen.