🔬 Category

physics.data-an

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.

Selectivity- and Activity-Aware Catalyst Descriptors for CO2_2 Hydrogenation on Alloy Nanocatalysts using Machine-Learned Force Fields

Diese Studie stellt ein facettenaufgelöstes Framework zur Verteilung der Adsorptionsenergien vor, das maschinengelernte Kraftfelder nutzt, um 1,4 Millionen Adsorptionsstellen auf verschiedenen Legierungsoberflächen zu analysieren und dadurch spezifische Zusammensetzungen und Orientierungen zu identifizieren, die sowohl die Aktivität als auch die Methanolselektivität für die CO2_2-Hydrierung optimieren.

Prajwal Pisal, Ondřej Krejčí, Patrick Rinke2026-05-11🔬 cond-mat.mtrl-sci

An information-matching approach to optimal experimental design and active learning

Dieser Beitrag stellt einen skalierbaren, auf konvexer Optimierung basierenden Informationsabgleichansatz vor, der die Fisher-Information-Matrix nutzt, um minimale, hochwertige Trainingsdaten für die genaue Vorhersage von Größen von Interesse auszuwählen und damit Datenknappheit sowie Parameter-Nichtidentifizierbarkeit in vielfältigen wissenschaftlichen Modellierungs- und aktiven Lernanwendungen zu adressieren.

Yonatan Kurniawan, Tracianne B. Neilsen, Benjamin L. Francis, Alex M. Stankovic, Mingjian Wen, Ilia Nikiforov, Ellad B. Tadmor, Vasily V. Bulatov, Vincenzo Lordi, Mark K. Transtrum2026-05-08🔬 physics.app-ph

Experimental measurement of quantum-first-passage-time distributions

Dieser Artikel berichtet über die erste experimentelle Messung von Quanten-Zeitverteilungen des ersten Durchgangs (QFPTDs) unter Verwendung eines einzelnen gefangenen Ions, stellt eine klare Verbindung zu klassischen Gegenstücken her und eröffnet neue Wege zur Untersuchung der Quantendynamik, von Suchalgorithmen und des Messproblems.

Joseph M. Ryan, Simon Gorbaty, Thomas J. Kessler, Mitchell G. Peaks, Stephen W. Teitsworth, Crystal Noel2026-05-08⚛️ quant-ph

Bayesian leave-one-out cross-validation for astrophysical model comparison using gravitational-wave background data

Diese Studie wendet die Bayes’sche Kreuzvalidierung mit Weglassen eines Elements auf Pulsar-Timing-Array-Daten an, um vier Modelle der Entwicklung supermassereicher Schwarzer-Loch-Paare zu vergleichen, und kommt zu dem Ergebnis, dass die aktuellen Evidenzen zwar kein einzelnes Modell gegenüber den anderen eindeutig bevorzugen, die Daten jedoch eine durch ultraleichte Dunkle Materie verursachte Unterdrückung bei niedrigen Frequenzen stützen, ohne diese jedoch von generischen Umgebungs-Härtungsszenarien zu unterscheiden.

Shreyas Tiruvaskar, Chris Gordon2026-05-08🔭 astro-ph

Partial Effective Information Decomposition for Synergistic Causality

Dieser Beitrag stellt die Partielle Effektive Informationsdekomposition (PEID) vor, ein neuartiges interventionistisches Rahmenwerk, das multivariate kausale Einflüsse unter Interventionen mit maximaler Entropie eindeutig in einzigartige und synergistische Komponenten zerlegt und dadurch die Charakterisierung synergistischer Kausalität, abwärtsgerichteter Kausalität sowie interpretierbarer kausaler Strukturen in komplexen Systemen ermöglicht.

Mingzhe Yang, Shuo Wang, Jiang Zhang2026-05-06📊 stat

OmniMol: Transferring Particle Physics Knowledge to Molecular Dynamics with Point-Edge Transformers

Dieser Beitrag stellt OmniMol vor, einen hochmodernen, maschinell erlernten interatomaren Potenzial für kleine Moleküle, der eine Point-Edge-Transformer-Architektur nutzt und Wissenstransfer aus der Hochenergiephysik einsetzt, um mit minimalem Fine-Tuning und einzigartig schneller Inferenz hervorragende Leistung zu erzielen.

Ibrahim Elsharkawy, Vinicius Mikuni, Wahid Bhimji, Benjamin Nachman2026-05-05⚛️ hep-ex

Toward a Scientific Discovery Engine for Weather and Climate Data: A Visual Analytics Workbench for Embedding-Based Exploration

Dieser Beitrag stellt eine Open-Source-Workbench für visuelle Analysen vor, die es Wissenschaftlern ermöglicht, embeddingsbasierte Darstellungen großskaliger Wetter- und Klimadaten zu interpretieren, zu validieren und zu erkunden, indem Suchergebnisse im latenten Raum mit ihren physikalischen Ursprüngen und Metadaten verknüpft werden, wodurch ein Entdeckungsworkflow zur Identifizierung und Wiedergewinnung analoger Ereignisse wie tropischer Wirbelstürme unterstützt wird.

Nihanth W. Cherukuru, Matt Rehme, Kirsten J. Mayer, David John Gagne, John Schreck, John Clyne, Charlie Becker2026-05-05🔬 physics

Testing General Relativity Through Gravitational Wave Classification: A Convolutional Neural Network Framework

Dieser Beitrag stellt ein maschinelles Lern-Framework vor, das auf Antwortfunktionsobservablen trainierte Convolutional Neural Networks nutzt, um die Klassifizierung von Gravitationswellensignalen zur Prüfung der Allgemeinen Relativitätstheorie erheblich zu verbessern, wobei eine 33-fache Steigerung der Empfindlichkeit gegenüber Standard-Wellenform-Eingaben erreicht und Abweichungen in Theorien der massiven Gravitation erfolgreich nachgewiesen werden.

Lavinia Heisenberg, Shayan Hemmatyar, Hector Villarrubia-Rojo2026-05-05⚛️ gr-qc