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 quantifiziert den Einfluss verschiedener Geant4-Elektromagnetik-Physikkonstruktoren auf die Genauigkeit der Energieabschätzung und die Rechenleistung bei der Simulation seltener Ereignisse in CaWO- und Germanium-Detektoren, um die Auswahl geeigneter Konstruktoren für Hintergrundvorhersagen zu erleichtern.
Diese Studie stellt einen Distillationsrahmen vor, der komplexe ENSO-Prognose-Ensembles in interpretierbare, kompakte Modelle überführt, um die Vorhersagegenauigkeit zu bewahren und gleichzeitig physikalische Einblicke in die zugrunde liegenden Dynamiken und Vorläufer zu ermöglichen.
Die Studie stellt den datengesteuerten DA-HASC-Framework vor, der durch die Kombination von Datenassimilation und manifold learning die strukturelle Komplexität von Hochdimensionalen Systemen rekonstruiert und so abrupte Kipppunkte auch bei unvollständigen und verrauschten Beobachtungen zuverlässig erkennt.
Die Autoren stellen einen neuartigen Hochtemperatur-Ofen vor, der die schnelle in-situ-Röntgenbeugungs- und Fluoreszenzanalyse von 100-mm-Kombinatorischen Materialbibliotheken unter kontrollierter Atmosphäre ermöglicht und dabei die Grenzen des Vegard-Gesetzes für Hochentropiematerialien aufzeigt.
Diese Arbeit stellt eine neuartige analytische Likelihood-Maximierungsmethode vor, die in der Software IJazZ2.0 implementiert ist und durch die Vermeidung stochastischer Faltungen eine effiziente, voll differenzierbare und unverzerrte Bestimmung von Energie-Skalen- und Auflösungskorrekturen für Leptonen sowie Photonen bei Drell-Yan-Prozessen ermöglicht.
Die Autoren stellen einen maschinellen Lernansatz vor, der mittels eines Autoencoders und der kontinuierlichen Überwachung von Raum-Zeit-Trajektorien nichtgleichgewichtige Phasenübergänge in Quantensystemen erkennt, ohne dass vorab bekannte Ordnungsparameter oder aufwendige Zustandsrekonstruktionen erforderlich sind.
Diese Arbeit stellt eine robuste Methode zur Kausalitätsentdeckung in stochastischen Zeitreihen vor, die durch die Ausnutzung von Potenzgesetz-Verteilungen im Frequenzspektrum Rauschen effektiv filtert und damit in synthetischen sowie realen Datensätzen überlegene Ergebnisse liefert.
Die Autoren stellen eine Edge-AI-Lösung vor, die einen auf Entscheidungsbäumen basierenden tabellarischen Variational Autoencoder auf einem memristor-basierten Analog-Inhalt-adressierbaren Speicher (ACAM) implementiert, um Echtzeit-Daten von Hochenergiephysik-Sensoren mit einem 12-fachen Kompressionsfaktor, einer Latenz von 24 ns und einem Energieverbrauch von 4,1 nJ pro Kompression zu verarbeiten.
Diese Arbeit stellt einen skalierbaren, auf der Fisher-Information basierenden Ansatz vor, der durch die Auswahl optimaler Trainingsdaten aus einem Kandidatenpool sicherstellt, dass nur die für die Vorhersage spezifischer Größen von Interesse notwendigen Parameter gelernt werden, was sich in Anwendungen von der Materialwissenschaft bis zu Unterwasserakustik als hochwirksam erweist.
Diese Studie stellt ein neues Modell für skalenfreie Netzwerke vor, bei dem die Integration neuer Knoten durch eine Kombination aus Grad- und Betweenness-Zentralität gesteuert wird, was zur Entdeckung einer neuen „Sternen-mit-Filament"-Struktur, einer robusten Mean-Field-Theorie und eines umfassenden Phasendiagramms führt, das 47 reale Netzwerke vereint.