🔬 Category

physics.data-an

252 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.

Decomposition of Anomalous Diffusion in two-state random walks

Diese Arbeit zeigt, dass ein Zwei-Zustands-Random-Walk, der zwischen einem Ruhezustand eines Continuous-Time Random Walk und einem Lévy-Walk-Bewegungszustand wechselt, eine generische Koexistenz von Joseph-, Noah- und Moses-Effekten aufweist, was offenbart, dass die stochastische Kopplung mit einer CTRW-Phase fundamental schwergewichtige Inkremente und Aging in Systemen induzieren kann, in denen Lévy-Walks allein lediglich den Joseph-Effekt besitzen.

Abhijit Bera, Kevin. E. Bassler2026-06-02🌀 nlin

Bayesian estimation of spectral parameters of the 6.7-GHz methanol maser G339.884-1.259 from GRAO observations

Diese Arbeit präsentiert ein bayesianisches Spektralzerlegungs-Framework unter Verwendung von Markov-Chain-Monte-Carlo-Sampling zur Analyse von 6,7-GHz-Methanol-Maser-Beobachtungen des Objekts G339.884−1.259 vom Ghana Radio Astronomy Observatory und zeigt auf, dass ein Voigt-Profil-Modell herkömmliche Gauß- und Lorentz-Ansätze übertrifft, um sieben geschwindigkeitskohärente Komponenten präzise aufzulösen und Unsicherheiten zu quantifizieren.

Theophilus Ansah-Narh, Stephen Sottie, Nia Imara, Emmanuel Proven-Adzri2026-06-02🔭 astro-ph

Proton High-Order Cumulants in Au+Au Collisions at High Baryon Density from JAM with a Centrality-Independent Framework

Diese Studie nutzt das JAM-Modell und ein neuartiges Centrality-Independent Genuine Cumulant Analysis (CIGAR)-Framework, um Protonen-Kumulanten höherer Ordnung in Au+Au-Kollisionen bei hohen Baryonendichten systematisch zu analysieren, was eine entscheidende nicht-kritische Baseline für die Suche nach dem QCD-kritischen Punkt bereitstellt, indem initiale Volumenfluktuationen effektiv eliminiert und Spektator-Effekte untersucht werden.

Yongcong Xu, Zhaohui Wang, Yu Zhang, Xiaofeng Luo2026-06-02⚛️ nucl-ex

Wasserstein normalized autoencoder for anomaly detection

Dieses Paper stellt den Wasserstein-normalisierten Autoencoder (WNAE) vor, ein neuartiges unüberwachtes Anomalieerkennungsmodell, das den Wasserstein-Abstand zwischen den Trainingsdaten und einer Boltzmann-Verteilung von Rekonstruktionsfehlern minimiert, um semivisible Jets am CERN LHC effektiv zu identifizieren und gleichzeitig die bei Standard-Autoencodern üblichen Ausreißer-Rekonstruktionsfehler zu überwinden.

CMS Collaboration2026-06-01⚛️ hep-ex

Model-Agnostic Signal Discovery with Machine Learning: Bridging the Gap Between Theory and Practice

Diese Arbeit untersucht den konzeptionellen Rahmen, potenzielle Fallstricke und Validierungsstrategien KI-basierter, modellagnostischer Suchtechniken, die darauf ausgelegt sind, das Entdeckungspotenzial komplexer wissenschaftlicher Daten zu erhöhen, indem sie eine breite Exploration gegenüber spezifischen theoretischen Hypothesen priorisieren.

Oz Amram, Marco Letizia, Mikael Kuusela2026-06-01⚛️ hep-ex

Neural Scaling Laws for Jet Generation

Diese Arbeit untersucht neuronale Skalierungsgesetze für die Erzeugung von Teilchenjets, bestätigt eine logarithmische Skalierung mit der Modellgröße und validiert den Next-Token-Prediction-Verlust als Proxy für physikalische Genauigkeit, beobachtet jedoch schwächere Skalierungstrends für Datensatzgröße und Rechenleistung aufgrund einer schnellen Sättigung beim autoregressiven Lernen.

Oz Amram, Darius A. Faroughy, Tjarko Gerdes, Anna Hallin, Gregor Kasieczka, Michael Krämer, Humberto Reyes-Gonzalez, David Shih2026-05-29⚛️ hep-ex

`pandemonium`: High Dimensional Analysis in Linked Spaces

Die Arbeit stellt `pandemonium` vor, ein R-Paket, das die hochdimensionale Analyse in verknüpften Räumen ermöglicht, indem es Clusteranalyse mit verknüpften Visualisierungen wie nicht-linearer Dimensionsreduktion und animierten Touren kombiniert, um Beziehungen zwischen Prädiktoren und Antworten in komplexen Datensätzen wie neuronalen Netzwerkaktivierungen und multivariaten physikalischen Modellen zu untersuchen.

Gabriel McCoy, German Valencia, Ursula Laa2026-05-29📊 stat

Inverse generalised spin models of answers to questionnaires

Dieser Beitrag stellt ein auf Monte-Carlo-Simulationen basierendes Inferenzprotokoll für verallgemeinerte Spinmodelle (Ising, Blume-Capel und Blume-Emery-Griffiths) zur Analyse ordinaler Fragebogendaten vor und validiert dieses, wobei gezeigt wird, dass das Blume-Emery-Griffiths-Modell traditionelle Gaußsche Ansätze bei der Erfassung komplexer Merkmale wie Multimodalität und Ausreißern übertrifft, obwohl alle Modelle bei schwerfälligen Verteilungen Schwierigkeiten haben.

Arianna Armanetti, Luca Cecchetti, Paolo Sarti, Diego Garlaschelli, Miguel Ibáñez-Berganza2026-05-29🔬 physics