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.
Diese Studie schlägt ein robustes prädiktives Framework für die Grundwasserschwermetallbelastung im Densu-Einzugsgebiet vor, das Gaußsche-Copula-Transformationen mit verschachtelter kreuzvalidierter Ensemble-Maschinenlernen integriert, um die Einschränkungen konventioneller Methoden zu überwinden und den schiefen Heavy Metal Pollution Index präzise zu modellieren.
Dieser Artikel schlägt einen Renormierungsgruppen-Rahmen vor, der eine größenabhängige Normalisierung nutzt, um Eigenwertdichten von Zufallsmatrix-Ensembles mit Potenzgesetz-Varianzprofilen zu kollabieren, und leitet Fixpunktgleichungen und Beta-Funktionen ab, um den spektralen Kollaps über verschiedene Systemgrößen hinweg zu demonstrieren.
Diese Studie zeigt, dass ein unüberwachtes maschinelles Lernframework, das Isolation Forest, PCA-Rekonstruktionsfehler und DBSCAN kombiniert, spezifische Schwermetallkontaminationsanomalien in ghanaischen Böden effektiv identifiziert, die stark mit erhöhten Gesundheitsrisiken korrelieren, und dadurch ein gezielteres Umweltmanagement ermöglicht als traditionelle aggregierte Indizes allein.
Dieser Beitrag stellt eine physikalisch informierte Fuzzy-Clustering-Methode vor, die einen Expectation-Maximization-Algorithmus und ein modifiziertes Bayessches Informationskriterium verwendet, um automatisch die optimale Anzahl von Spuren zu bestimmen und vertikale Ionogramme auch unter gestörten ionosphärischen Bedingungen zu trennen, indem adaptive Rauschfilterung und die Entfernung des außerordentlichen Modus integriert werden.
Dieser Beitrag stellt die Kausale Kanten-Rees-Algebra (CERA) vor, ein neuartiges algebraisches Rahmenwerk, das die kausale Evolution der Konnektivität in spatiotemporalen Graphen kodiert, indem es eine zeitliche Filtration von Kantenidealen einem einzigen graduierten Objekt zuordnet, wodurch die Identifizierung kritischer struktureller Brücken ermöglicht und eine neue Perspektive auf kausale Netzwerkdynamiken geboten wird, die sich von der geometrischen topologischen Datenanalyse unterscheidet.
Dieser Beitrag stellt ein verfeinertes Verfahren zur Abschätzung von Unsicherheiten in der molekularen Endzustandsverteilung des Tritium-Beta-Zerfalls vor, das die damit verbundene systematische Unsicherheit der quadrierten Neutrinomasse von 0,02 eV²/c⁴ auf 0,0013 eV²/c⁴ signifikant reduziert und dadurch die Präzision der Neutrinomassenmessung des KATRIN-Experiments verbessert.
Durch die Anwendung physikalisch motivierter Priori auf alle Entfernungen in einer umfassenden bayesschen Neukalibrierung der lokalen Entfernungsleiter zeigt diese Studie, dass die angenommenen Priori die abgeleitete Hubble-Konstante signifikant auf senken und damit die Hubble-Spannung von auf reduzieren.
Dieser Beitrag stellt die „gemeinsame dynamische Programmierung" vor, einen Co-Design-Rahmen, der die kontinuierliche Hardwaregeometrie und adaptive Messstrategien simultan optimiert, um in Sensieraufgaben traditionelle nicht-adaptive oder separat optimierte Ansätze erheblich zu übertreffen, wie durch signifikante Fehlerreduktionen in Fallstudien zu Radar-, Quanten- und photonischen Sensoren demonstriert wird.
Dieser Artikel schlägt ein Hopfield-artiges assoziatives Gedächtnismodell vor, bei dem astrozytär vermittelte, entropie-regulierte Verstärkungsmodulation Selbstaufmerksamkeitsmechanismen dynamisch implementiert und dadurch die Abrufgenauigkeit unter hohen Gedächtnislasten im Vergleich zu klassischen Ansätzen erheblich verbessert.
Die Arbeit präsentiert eine Methode zur strukturellen Zerlegung der Variabilität von UV-Vis-Absorptionsspektren mittels emulationsbasierter Komponentenanalyse, anhand derer am Beispiel von Azobenzol in Ethanol entscheidende strukturelle Merkmale identifiziert werden, die die spektrale Antwort maßgeblich beeinflussen.