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.
Dieser Artikel beschreibt die statistischen Methoden zur Detektion astrometrischer Doppelasteroide in Gaia-FPR-Daten, stellt eine aktualisierte Liste von 343 Kandidaten vor und belegt die Zuverlässigkeit der Methode durch Leistungsbewertungen, die im Vergleich zu reinen Rauschsimulationen deutlich höhere Detektionsraten aufweisen.
Dieser Beitrag schlägt ein neuartiges Signal-Erkennungs-Framework vor, das die Schätzung der vollständigen Hintergrundverteilung umgeht, indem es einen einzelnen „Kompensator"-Parameter zur Berücksichtigung der Hintergrundunsicherheit nutzt, wodurch die Inferenzkomplexität vereinfacht und die Unsicherheitsfortpflanzung verbessert wird.
Dieser Beitrag stellt Lumina vor, ein modulares, auf Python basierendes Framework, das fragmentierte multiskalige Materialdaten für extreme aero-chemo-thermomechanische Regime in ein zentralisiertes, KI-gestütztes Ökosystem integriert, um das experimentelle Design zu straffen, chemische Verhaltensweisen zu validieren und die prädiktive Modellierung für fortschrittliche Verteidigungs- und Luft- und Raumfahrtanwendungen zu verbessern.
Durch die Analyse hochauflösender Daten von 142 Städten weltweit zeigt diese Studie, dass intra-urbane Klimaschwankungen in Temperatur und Luftverschmutzung universellen Skalierungsfunktionen folgen, die durch durchschnittliche Eigenschaften des Straßennetzes bestimmt werden, wodurch die Grenzen traditioneller Stadtgrößenmetriken überwunden und präzisere Modelle reduzierter Komplexität für die Stadtplanung ermöglicht werden.
Diese Arbeit stellt ein transparentes, kodierungsunabhängiges Framework vor, das Ressourcenanzahlen und Hardware-Benchmarks nutzt, um zu zeigen, dass die Erreichung einer frühen Quantennützlichkeit für das Kapazitierte Fahrzeugroutingproblem (CVRP) auf NISQ-Geräten derzeit unwahrscheinlich ist, wobei sich ein massiver Qubit-Vorteil für Kodierungen höherer Ordnung gegenüber direkten QUBO-Mappings offenbart, während gleichzeitig darauf hingewiesen wird, dass innovative Problemdekomposition für einen zukünftigen Quantenvorteil unerlässlich ist.
Dieser Beitrag charakterisiert analytisch, wie unterschiedliche Aktivierungsfunktionen der versteckten Einheiten in Restricted Boltzmann Machines die Statistik induzierter Wechselwirkungen und die Fähigkeit zum Erlernen komplexer, höherordentlicher Datenstrukturen beeinflussen, und zeigt, dass schnell anwachsende Nichtlinearitäten wie die Exponentialfunktion die Repräsentation und das Erlernen solcher Muster erheblich erleichtern können.
GenL ist ein flexibles, erweiterbares und quelloffenes, auf MATLAB basierendes Programm, das einen genetischen Algorithmus zur Simulation und Anpassung von Röntgenreflektivitäts- und Beugungsdaten aus epitaktischen Dünnschichten nutzt und sowohl Quellcode als auch vorkompilierte Binäroptionen zur Extraktion struktureller Parameter wie Spannungsprofile und Kristallrauheit bietet.
Dieser Beitrag stellt *vega-mir* vor, ein Open-Source-Python-Toolkit für die symbolische Musikanalyse mit neun informationstheoretischen Metriken, und belegt dessen Nutzen durch Fallstudien, die eine Korrelation zwischen der Zentralität harmonischer Graphen und der harmonischen Distanz über Komponisten hinweg aufzeigen sowie Belege dafür liefern, dass Glenn Goulds Rubato durch strukturierte Periodizität und nicht durch metronomische Starrheit gekennzeichnet ist.
Dieser Beitrag stellt einen auf eine Drei-Mikrofon-Rohrmethode mit umlaufender Mikrofonverteilung angewandten Ansatz der bayesschen Inferenz vor, um Phasensprünge aufzulösen und die charakteristische Impedanz sowie den Ausbreitungskoeffizienten poröser Medien über erweiterte Frequenzbereiche hinweg präzise zu bestimmen.
Dieser Beitrag schlägt einen hybriden, auf neuronalen Simulationen basierenden Inferenzansatz vor, um die trilineare Selbstkopplung des Higgs-Bosons und weitere SMEFT-Operatoren mithilfe der Higgs-Produktion im Off-Shell-Bereich am High-Luminosity-LHC einzuschränken, wobei durch die Kombination matrixelementgesteuerter Trainingsverfahren mit einer auf Klassifikation beruhenden Untergrundschätzung eine nahezu theoretisch optimale Sensitivität erreicht wird.