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 zeigt, dass adversarielles Training die Robustheit von auf Deep Learning basierenden Jet-Flavor-Tagging-Algorithmen gegenüber Eingangsverzerrungen, die als Stellvertreter für systematische Unsicherheiten dienen, verbessert, indem es geometrische Einsichten aus der Verlustoberfläche nutzt, um eine hohe Leistung beizubehalten und gleichzeitig Modellverwundbarkeiten zu mindern.
Dieser Beitrag stellt einen neuartigen datengesteuerten Ansatz vor, der durch die Identifizierung optimaler Basisfunktionen die zugrunde liegenden nicht-autonomen dynamischen Gleichungen ableitet und erfolgreich das Verhalten verschiedener realer Systeme von biologischen Aggregaten bis hin zu ingenieurtechnischen Anwendungen rekonstruiert und vorhersagt.
Dieser Artikel schlägt einen Ansatz des „Double Metric Learning" vor, der zwei unterschiedliche Knotenrepräsentationen erlernt, um Konflikte beim Aufbau gerichteter Graphen mit Kettenverbindungen für den ATLAS-ITk-Detektor zu lösen, und zeigt im Vergleich zum einfachen Metric Learning eine verbesserte Leistung bei der Graphkonstruktion und der Vorhersage der Kantenrichtung für Teilchen mit hohem transversalem Impuls.
Dieser Beitrag zeigt, dass die Anpassung des Ameisenkolonie-Optimierungsalgorithmus zur Feinabstimmung des FVC-Dichtefunktional die mittlere relative Fehler bei der Vorhersage von Grundzustandsenergien für stark korrelierte Systeme über verschiedene Dimensionen hinweg signifikant reduziert und dabei eine Fehlerreduktion von bis zu 67 % bei geringen Rechenkosten erreicht.
Dieser Artikel stellt ein plattformunabhängiges Quantum-Reservoir-Computing-Framework vor, das ein kleines Sechs-Qubit-System nutzt, um eine Genauigkeit von über 86 % bei der Vorhersage von Aktienkursentwicklungen und Handelsvolumina für Unternehmen des Quantensektors zu erreichen, und damit das Potenzial zukünftiger Quantenhardware für die Analyse komplexer Finanzzeitreihen unterstreicht.
Diese Studie zeigt mathematisch, dass Datenlücken und Ausreißer die Zuverlässigkeit von auf Varianz und Autokorrelation basierenden Resilienzindikatoren erheblich beeinträchtigen, wobei fehlende Werte deren Übereinstimmung abschwächen und Ausreißer zu einer systematischen Überschätzung der Systemstabilität führen.
Dieser Artikel zeigt, dass die exakte Marginalisierung binärer Korrekturvariablen in physikalischen Daten mathematisch äquivalent zum Ising-Modell ist, was die Anwendung effizienter Werkzeuge der statistischen Physik ermöglicht, um exponentiell komplexe Konfigurationen zu behandeln und Unsicherheiten in Anwendungen wie der Kalibrierung von Typ-Ia-Supernovae präzise zu quantifizieren.
CVEvolve ist ein autonomes, codefreies Agentensystem, das Large Language Models und eine Mehrrunden-Suchstrategie nutzt, um wissenschaftliche Datenverarbeitungsalgorithmen eigenständig zu entdecken und zu optimieren, wodurch Fachwissenschaftlern eine effektive Analyse komplexer, unstrukturierter Daten ohne umfangreiche Programmierkenntnisse ermöglicht wird.
Dieser Beitrag stellt einen selbstlernenden Signalklassifikator für kohärente Streuradare im Dekameterbereich vor, der automatisch ein Modell unter Verwendung von zwei Jahren Daten von 12 SuperDARN- und SECIRA-Radaren erstellt, um 14 klar trennbare Klassen basierend auf einer Kombination aus gemessenen Radarparametern und modellierten Eigenschaften der Funkwellenausbreitung zu identifizieren.
Dieser Beitrag stellt das Bayes-Faktor-Bayes-Faktor-(BB)-Diagramm vor, ein Diagnosewerkzeug, das die Beziehung zwischen Bayes-Faktoren und deren Verteilungen unter konkurrierenden Hypothesen nutzt, um die Berechnungsgenauigkeit zu validieren und Hintergrundverteilungen effizient zu schätzen, wie anhand von Anwendungen in der Gravitationswellenastronomie einschließlich der Bewertung der statistischen Signifikanz von GW231123 demonstriert wird.