316 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 nutzt konditionierte Normalisierungsflüsse, um die durch Zellteilungsgeschichte verzerrten Proteinproduktionskinetiken in Hefe zu rekonstruieren und zeigt dabei, dass das Gen *glc3* unter Stressbedingungen überwiegend inaktiv ist und nur kurzzeitig aktiviert wird.
Die Studie stellt DeepX-GAN vor, ein tiefes generatives Modell, das räumliche Abhängigkeiten nutzt, um bisher unentdeckte Hitzewellen in Nordafrika und dem Nahen Osten zu simulieren und damit verborgene Risiken für besonders verwundbare Regionen aufzuzeigen.
Dieser Artikel führt die Sonderausgabe zur symbolischen Regression in den Naturwissenschaften ein, die auf einer Royal Society-Diskussion basiert und deren Grundlagen, Anwendungen, methodische Herausforderungen sowie zukünftige Richtungen wie die Integration theoretischer Constraints zusammenfasst.
Diese Arbeit verbindet Response-Theorie, pullback-Maße und die Methode des optimalen Fingerabdrucks, um lineare Antwortformeln für nichtautonome Systeme abzuleiten und so die Vorhersage von Zwangseinflüssen sowie die Attribution von Anomalien in komplexen, zeitabhängigen Systemen wie dem Klima zu ermöglichen.
Diese Arbeit stellt einen physik-informierten neuronalen Operator vor, der mithilfe von Nearfield-Messungen und der Einbettung akustischer Grundgleichungen die frequenzabhängige Oberflächenadmittanz von Schallabsorbern direkt und robust aus verrauschten Daten bestimmt, ohne auf explizite Vorwärtsmodelle angewiesen zu sein.
Diese Studie vergleicht drei analytische Ansätze zur Quantifizierung injektionsgetriebener Massentransfers in porösen Medien mittels zeitaufgelöster Mikro-CT, wobei eine neue Volumenverhältnis-Filterung eingeführt wird, um die Wahl der Methode basierend auf dem gewünschten Detailgrad und den verfügbaren Rechenressourcen zu erleichtern.
Diese Arbeit leitet analytische Lösungen für Langevin-Gleichungen ab, um die Dynamik von Pulsar-Timing-Rauschen und dem Gravitationswellenhintergrund zu beschreiben, und zeigt dabei, dass ein überdämpfter harmonischer Oszillator im Gegensatz zum Ornstein-Uhlenbeck-Prozess sowohl stationäre Spin-Frequenzen als auch Phasenresiduen konsistent mit einem stationären Gravitationswellenhintergrund ermöglicht, während für ein Zwei-Komponenten-Modell die physikalische Ursache von Nichtstationarität in der Koexistenz gedämpfter und diffuser Eigenmoden identifiziert wird.
Diese Arbeit untersucht den Zusammenhang zwischen den Termen der mehrdimensionalen Langevin-Gleichung und statistischen Eigenschaften wie Momenten und Kovarianzfunktionen, wobei sie von linearen Gaußschen Prozessen ausgehend auch unterdämpfte Systeme und die Erkennung von Nicht-Markovianität behandelt.
Die Autoren stellen eine adaptive, symmetrieinformierte Bayes'sche Strategie zur Parameterabschätzung vor, die in einem Experiment mit ultrakalten Cäsiumatomen eine fünffache Reduktion der Varianz ermöglicht und damit die Dateneffizienz für Quantentechnologien erheblich steigert.
Diese Studie stellt einen bayesschen Rahmen für die Simulation-basierte Inferenz vor, der es ermöglicht, frequenzabhängige akustische Oberflächenimpedanzen in situ aus spärlichen Schalldruckmessungen in komplexen Innenräumen präzise und mit zuverlässiger Unsicherheitsquantifizierung zu schätzen.