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 stellt eine unüberwachte, rekonstruktionsbasierte Anomalieerkennung mittels eines auf Pedestaldaten trainierten Convolutional Autoencoders vor, die es dem CYGNO-optischen TPC ermöglicht, in Echtzeit Regionen von Interesse aus riesigen Kamerabildern zu extrahieren und dabei 97,8 % des Bildbereichs zu verwerfen, ohne dabei 93 % der Signalamplitude zu verlieren.
Dieser Beitrag stellt Schulungsmaterialien vor, die Physikerinnen und Physiker im Rahmen des HEP Software Foundation Training Centers darin schulen, mit Apptainer-Containern Analysen in der Hochenergie- und Kernphysik reproduzierbar, portabel und effizient zu gestalten.
Diese Arbeit stellt einen geometrischen Rahmen für die adaptive Weißrauschfilterung in Gravitationswellendetektoren vor, der das Problem von spektralen Faktorisierungen auf den parallelen Transport auf einem Hauptbündel umformuliert und durch einen Flachheitssatz eine pfadunabhängige, stabile Filterkorrektur garantiert.
Die Studie zeigt, dass ein Framework aus nicht-negativer Matrixfaktorisierung und parametrierbarem Reservoir-Computing in der Lage ist, kritische Kipppunkte und deren genaue Zeitpunkte in komplexen spatiotemporalen Systemen sowie in Klimaprojektionen präzise vorherzusagen, während es gleichzeitig die Rechenkosten senkt und gegenüber typischen Herausforderungen robust bleibt.
Die Studie zeigt, dass die Binning-Methode zur Bestimmung der Korrelation zwischen unterirdischem Myonfluss und atmosphärischer Temperatur bei Unsicherheiten in den Temperaturdaten verzerrte Ergebnisse liefert, während die Unbinned-Methode robust bleibt, und schlägt ein neues Verfahren zur Bewertung der Korrelationsstabilität vor, um realistische Unsicherheiten zu berücksichtigen.
Diese Studie stellt einen physikbasierten Deep-Learning-Rahmen vor, der plasmonische Nanoporen mit Single-Molecule-SERS kombiniert, um einzelne Phosphorylierungsereignisse von Peptiden trotz stochastischer Signale und Hintergrundstörungen hochpräzise zu detektieren.
Diese Arbeit stellt einen schnellen und numerisch stabilen Algorithmus zur Berechnung von Polynomfitting- und Differenzierungsmatrizen mittels diskreter orthogonaler (Tschebyschow-)Polynome vor, der die Rechenkosten und den Speicherbedarf für Savitzky-Golay-Filter erheblich reduziert und gleichzeitig die numerische Genauigkeit um Größenordnungen verbessert.
Die Studie stellt einen effizienten Copula-Ansatz zur Berechnung nicht-gaußscher Likelihoods für schwache Gravitationslinsen vor und zeigt, dass dieser zwar für kleinere Surveys zu signifikanten Verschiebungen bei führt, für zukünftige Stage-IV-Surveys jedoch gaußsche Likelihoods als ausreichend erweist.
In dieser Arbeit wird eine Maximum-Likelihood-Schätzmethode zur Bestimmung von Burst-Merging-Kernen aus zeitlichen Datenreihen entwickelt, die sowohl an synthetischen als auch an empirischen Datensätzen erfolgreich getestet wird, um die zugrunde liegenden Mechanismen burst-artiger Prozesse präziser zu charakterisieren.
Die Studie stellt FluxMC vor, ein maschinelles Lern-basiertes Inferenzframework, das Flow Matching mit Parallel-Tempering-MCMC kombiniert, um die Analyse von Gravitationswellen aus dem Weltraum sowohl deutlich schneller als auch mit höherer Genauigkeit durchzuführen als herkömmliche Methoden.