604 Arbeiten
Willkommen im Bereich Physik — Ins-Det, der sich mit den empfindlichen Instrumenten beschäftigt, die Teilchen und Strahlung messen. Diese Forschung bildet das Rückgrat moderner Experimente, von der Entdeckung neuer Teilchen bis zur Beobachtung kosmischer Phänomene. Hier geht es um die hochentwickelten Detektoren, die es Wissenschaftlern ermöglichen, unsichtbare Vorgänge sichtbar zu machen und fundamentale Fragen über unser Universum zu beantworten.
Auf Gist.Science durchsuchen wir täglich die neuesten Vorab-Veröffentlichungen auf arXiv in diesem Fachgebiet. Für jedes neue Preprint erstellen wir sowohl eine leicht verständliche Zusammenfassung für ein breites Publikum als auch eine detaillierte technische Analyse für Fachleute. So bleibt niemand ausgeschlossen, egal ob man Physiker ist oder einfach nur neugierig auf die neuesten Entdeckungen.
Im Folgenden finden Sie die aktuellsten Arbeiten, die wir aus dem arXiv-Bereich für Sie aufbereitet haben.
Diese Arbeit stellt einen end-to-end Co-Simulationsrahmen und einen integrierten kryogenen Signalgenerator vor, die durch eine rauschbewusste Optimierung von geschwindigkeitsmodulierten Wellenformen die Elektronen-Shuttling-Fidelity in Si/SiGe-Systemen trotz valley disorder auf über 99,99 % steigern und dabei strenge Leistungs- und Flächenbeschränkungen kryogener Elektronik einhalten.
Die Arbeit stellt eine Methode zur Vorhersage und Kompensation von Proben-Drift in der Rastertunnelmikroskopie (STEM) vor, die durch eine live-Änderung des Scan-Gitters sowohl langfristige Verschiebungen als auch innere Bildverzerrungen minimiert.
Das Papier beschreibt den Entwurf und die Leistung eines 260-Liter-Teststands für flüssiges Argon am BNL, der eine pumpenfreie Reinigung, eine direkte Reinheitsmessung und einen schnellen 7-Tage-Operationszyklus ermöglicht, um die Entwicklung von Detektorkomponenten für große LArTPC-Experimente zu unterstützen.
Dieses Papier beschreibt den Entwurf eines kostengünstigen, motorisierten und per 3D-Druck hergestellten Drehtisches mit RF-optimierten Eigenschaften, der zur präzisen Messung des aktiven Elementmusters von Phased-Array-Antennen für integrierte Sensorik- und Kommunikationstechnologien dient.
Die Autoren des KOTO-Experiments haben zwei Analyseverfahren, nämlich ein tiefes konvolutionales neuronales Netzwerk und eine Fourier-Frequenzanalyse, entwickelt, um Neutronen-Hintergrundereignisse im CsI-Elektromagnetischen Kalorimeter von Photonensignalen zu unterscheiden und so den Hintergrund um einen Faktor von zu unterdrücken, während die Nachweiseffizienz für den seltenen Zerfall bei 70 % erhalten bleibt.
Die Autoren stellen ein auf neuronalen Netzen basierendes Framework vor, das mithilfe von Geant4-Simulationen die Bahn, Ladung und Energie kosmischer Atomkerne im RadMap-Teleskop präzise rekonstruiert, um die für Astronauten relevante Strahlendosis im Weltraum genau zu bestimmen.
Die Studie demonstriert, dass ein standardmäßiger Mehrfach-Tandem-Fabry-Perot-Interferometer durch den Betrieb im spektralen Filtermodus in Kombination mit Lichtblattbeleuchtung für schnelle, vollfeldbasierte Brillouin-Mikroskopie mit hoher räumlicher Auflösung und minimaler Bestrahlungszeit nutzbar ist.
Diese Studie stellt einen neuartigen, auf neuronalen Netzen basierenden Deconvolution-Ansatz vor, der einen durch Monte-Carlo-Simulationen optimierten Spektrometerentwurf mit einem zweistufigen Framework aus einem Denoising-Autoencoder und einer U-Net-Architektur kombiniert, um die präzise Rekonstruktion von Gammastrahlenspektren im GeV-Bereich für Anwendungen in der starken Feld-QED und der Hochenergiephysik zu ermöglichen.
Diese Arbeit demonstriert die Leistungsfähigkeit einer neu entwickelten Plug-Flow-Festbettzelle für in-situ- und operando-XAS-Messungen im Labor bei Temperaturen bis 1000 °C und Drücken bis 10 bar, wobei die simultane Verfolgung von Oxidationszustandsänderungen und katalytischer Aktivität an Mangan- und Nickelkatalysatoren erfolgreich nachgewiesen wurde.
Diese Arbeit stellt die Lund Plane to Bloch (LP2B)-Verschlüsselung und ein darauf aufbauendes Quantum Tree-Topology Network (QTTN) vor, das mit deutlich weniger Parametern als klassische Deep-Learning-Modelle eine vergleichbare oder bessere Leistung bei der Jet-Substruktur-Analyse und Polarisationsmarkierung erzielt, weniger anfällig für Overfitting ist und erfolgreich auf realer Quantenhardware validiert wurde.