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.
Diese Arbeit stellt eine Methode zur Rekonstruktion von Wirtschaftsnetzwerken vor, die durch die Integration einer Jeffreys-Prior-Verteilung im Fitness-Corrected Block Model (FCBM) fehlende blockspezifische Dichten kompensiert und damit auf Basis nur aggregierter Daten (wie BIP und Gesamtdichte) eine präzisere Netzwerkanalyse ermöglicht als herkömmliche Ansätze.
Diese Studie zeigt, dass zwar Gauß-Prozess-Maschinenlernmodelle effektiv zur Vorhersage von Zusammensetzungen und Gitterparametern für ZrO₂-basierte Formgedächtniskeramiken eingesetzt werden können, die auf Metalllegierungen basierenden Designkriterien jedoch nicht ausreichen, um Materialien mit niedriger Hysterese zu entdecken, da hier zusätzliche, für Metalle nicht relevante Faktoren eine Rolle spielen.
Die Studie zeigt mittels Zufallsmatrizen-Theorie, dass die Verwendung von Kreuz- oder gemeinsamen Kovarianzmatrizen die Detektierbarkeit und Rekonstruktion gemeinsamer Signale in hochdimensionalen, unterabgetasteten Daten im Vergleich zu einzelnen Selbstkovarianzmatrizen verbessert, wobei die optimale Wahl von der Dimensionalität der Variablen abhängt.
Die vorgestellte Arbeit entwickelt einen GPU-beschleunigten Sequential-Monte-Carlo-Sampler, der die bayessche Spektralanalyse durch massive Parallelisierung um mehr als das 500-Fache im Vergleich zu CPU-basierten Methoden beschleunigt und somit eine praktikable Lösung für die Verarbeitung großer Datenmengen in Techniken wie Röntgenphotoelektronenspektroskopie und Röntgenbeugung bietet.
Diese Übersichtsarbeit untersucht, wie moderne künstliche Intelligenz-Methoden genutzt werden können, um die Kopplung zwischen den verschiedenen Sphären des Erdsystems zu verbessern und so kohärentere sowie physikalisch konsistentere Multi-Komponenten-Modelle zu ermöglichen.
Die Arbeit stellt PATHFINDER vor, ein autonomes Mikroskopie-Framework, das durch die Kombination von Neuigkeitsentdeckung und Multi-Objektiv-Optimierung in latenten Räumen eine vielfältigere Entdeckung von Struktur-Eigenschafts-Beziehungen ermöglicht und dabei das vorzeitige Konvergieren auf einzelne Optima verhindert.
Die Studie zeigt, dass probabilistische neuronale Netze Gaussian-Prozesse in der Pulsar-Timing-Array-Analyse des Gravitationswellenhintergrunds erfolgreich ersetzen können, indem sie konsistente Posterior-Verteilungen liefern und gleichzeitig die Trainings- sowie MCMC-Rechenzeit erheblich verkürzen.
Die Studie zeigt, dass heterogene Agentenschwärme mit unterschiedlichen Suchstrategien in turbulenten 3-D-Umgebungen effizienter zu einer Geruchsquelle gelangen als homogene Gruppen, indem sie die schädlichen Auswirkungen räumlicher Signal-Korrelationen ausgleichen.
Dieses Papier verallgemeinert die Entkopplung von Zellgröße und inneren Variablen in strukturierter Populationsdynamik durch die Anwendung der Feynman-Kac-Formel, wodurch Bedingungen für die Entkopplung in Abstammungs- und Populationsensembles hergeleitet und eine Transformation zu einem wachstumshomogenen Prozess ermöglicht werden.
Diese Studie stellt die neuronale Posterior-Schätzung (NPE) als skalierbare und hochpräzise Methode zur Echtzeit-Inferenz von Lithium-Ionen-Batterieparametern vor, die die Rechenzeit im Vergleich zur herkömmlichen Bayes'schen Kalibrierung drastisch reduziert und dabei hohe Genauigkeit sowie verbesserte Interpretierbarkeit bietet.