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 eine Methode vor, die zeigt, wie bei der Charakterisierung der Dispersion analoger Zustände in rekonstruierten Phasenräumen zwar die Kovarianzstruktur die zeitliche Entwicklung bestimmt, das intermittierende Verhalten jedoch den Einfluss der Anfangstrennung auf die Dispersion steuert.
Die Studie untersucht den Einsatz von Agenten-Systemen auf Basis großer Sprachmodelle zur Automatisierung von Datenanalyse-Aufgaben in der Teilchenphysik und zeigt, dass diese Ansätze die Leistung menschlicher State-of-the-Art-Ergebnisse bei der Anomalieerkennung erreichen können.
Die Studie identifiziert die nicht-orthogonale Verstärkung von Eigenvektoren in mehrdimensionalen, zufälligen nicht-normalen Matrizen als einen neuen, allgemeinen Mechanismus, der durch transienten Wachstum und eine Erhöhung des effektiven Lyapunov-Exponenten zu kritischen, schwerfälligen Fluktuationen führt, wie sie beispielsweise beim Dehnen von Polymeren in turbulenten Strömungen beobachtet werden.
Diese Studie nutzt GPS-Archivdaten, um nach exotischen Feldern zu suchen, die mit der Neutronensternverschmelzung GW170817 einhergehen könnten, und leitet daraus neue, strengere Grenzen für die Kopplung solcher Felder ab, was die Eignung globaler Atomuhrennetzwerke für die Suche nach neuer Physik unterstreicht.
Die Autoren stellen ein hybrides Deep-Learning-Framework vor, das einen Autoencoder mit einem Gauß-Prozess kombiniert, um die Point-Spread-Function (PSF) über das gesamte Gesichtsfeld präziser zu modellieren als der aktuelle State-of-the-Art-Ansatz PIFF und so die Grundlage für zukünftige kosmologische Analysen im LSST legt.
Diese Studie untersucht neuronale Skalierungsgesetze für die Boosted-Jet-Tagging-Klassifizierung und zeigt, dass eine Erhöhung der Rechenleistung die Leistung zuverlässig einem asymptotischen Grenzwert annähert, wobei die Wahl expressiverer Eingabemerkmale und die Berücksichtigung von Datenwiederholungen die Effizienz und das Leistungsoptimum weiter verbessern können.
Die vorgestellte Arbeit führt die Potential-Energie-Gating-Methode ein, die durch die Modulation der Beobachtungstrustwürdigkeit basierend auf der lokalen Potentialenergie in doppeltwellige stochastische Systeme eine robuste Zustandsschätzung ermöglicht und dabei in Monte-Carlo-Simulationen sowie bei der Analyse von Dansgaard-Oeschger-Ereignissen signifikante Verbesserungen gegenüber herkömmlichen Filtern erzielt.
Diese Arbeit demonstriert, dass amortisierte Simulation-Based Inference, insbesondere die Neural Posterior Estimation (NPE), eine effiziente und genaue Alternative zu herkömmlichen MCMC-Methoden darstellt, um die hochdimensionalen Parameterräume des pMSSM unter Berücksichtigung von Higgs-, Flavor- und Dunkle-Materie-Daten zu erkunden.
Der Artikel stellt eine neue Art von nicht-parametrischen, endlichen Stichproben-konfidenzintervallen vor, die durch eine abgeschwächte Definition glaubwürdiger Intervalle eine pragmatische und philosophische Mittelposition zwischen bayesschen und frequentistischen Ansätzen einnehmen und dabei nur eindimensionale Priors benötigen.
Diese Arbeit entwickelt einen auf Stein's Methode basierenden, parametersfreien Goodness-of-Fit-Test, der mithilfe symmetrischer Jacobi-Polynome die Gleichgewichtsverteilungen endlicher N-Teilchensysteme charakterisiert und so eine exakte Überprüfung von kinetischen Modellen jenseits der thermodynamischen Grenze ermöglicht.