2627 artículos
La hepatología experimental, conocida como Hep-Ex, explora los mecanismos biológicos del hígado y cómo las enfermedades afectan su función vital. Este campo abarca desde el estudio de la regeneración celular hasta la investigación de nuevas terapias contra la cirrosis y el cáncer hepático, ofreciendo una ventana crucial hacia la salud humana futura.
En Gist.Science, procesamos cada nuevo preimpreso que aparece en esta categoría directamente desde arXiv. Nuestro equipo transforma estos documentos complejos en resúmenes accesibles para el público general, sin sacrificar el rigor técnico necesario para los expertos, asegurando que los avances más recientes estén disponibles para todos.
A continuación, encontrará la lista de los artículos más recientes en hepatología experimental, ordenados por fecha de publicación.
El artículo argumenta que los excesos observados en el LHC a 650 GeV y 95 GeV proporcionan evidencia de una secuencia de gravitones de Kaluza-Klein de Randall-Sundrum previamente considerada demasiado pesada para su detección, sugiriendo que el reanálisis de los datos con criterios de selección apropiados para estas resonancias en los canales ZZ, WW y de pares de Higgs podría conducir a un descubrimiento significativo.
Este artículo detalla el aparato del experimento BMV e informa un límite superior mejorado de la constante de birrefringencia magnética lineal del vacío de a un nivel de confianza del 68%, logrado mediante bobinas de lámina pulsadas diseñadas especialmente.
Este artículo presenta un prototipo de red neuronal de grafos basado en aprendizaje profundo para el detector FCC-ee IDEA que reconstruye con éxito árboles de decaimiento jerárquicos de hadrones a partir de datos de partículas cargadas, logrando una precisión de más del 90% en la identificación de los conjuntos de partículas correctos a través de diversas cadenas de decaimiento.
Este artículo presenta SysVar, una biblioteca de Python de código abierto y agnóstica a los experimentos que simplifica el tratamiento escalable y consistente de las incertidumbres sistemáticas en análisis basados en plantillas mediante la automatización de la propagación de pesos de corrección y la preservación de las correlaciones a través de eigenvariaciones ortogonales.
Este artículo presenta un estudio de prueba de concepto que demuestra que la Estimación de la Razón Neuronal (NRE) puede inferir eficazmente los parámetros de las WIMP en experimentos de detección directa como XENONnT mediante la marginalización implícita de las incertidumbres astrofísicas a través del entrenamiento con múltiples modelos, ofreciendo una alternativa escalable y robusta a los métodos tradicionales de verosimilitud de perfil.
Este estudio demuestra que los centelladores optimizados a base de poliuretano dopados con PPO y POPOP ofrecen un tiempo rápido, una alta producción de luz y una fabricación escalable a escala de metros para detectores de partículas de gran área, mientras exhiben un daño por radiación recuperable tras la irradiación por protones.
Este artículo presenta un estudio fenomenológico que combina contribuciones de bajo y alto momento transversal para estimar la función de estructura longitudinal no polarizada en SIDIS, revelando que su proporción considerable respecto a la función de estructura transversal () requiere su inclusión para una interpretación precisa de los datos experimentales y motiva mediciones dedicadas para restringir aún más esta contribución longitudinal.
Los resultados iniciales de la Colaboración JUNO proporcionan un sólido apoyo experimental para una nueva relación empírica entre las diferencias de los cuadrados de las masas de los neutrinos, revelando un valor central de $1.4143$ que se alinea con el predicho dentro de $0.03$ desviaciones estándar y sugiriendo una simetría subyacente en el espectro de masas de los neutrinos.
Este artículo evalúa las Redes Neuronales Lógicas (LNNs) como una solución reconfigurable, robusta ante la radiación y eficiente en recursos para el aprendizaje automático en chip en los detectores de píxeles de física de partículas de próxima generación, permitiendo la inferencia compleja y la adaptación tras el despliegue donde los métodos tradicionales fallan.
Este artículo demuestra que el clasificador de redes neuronales \textit{smartpixels} para el filtrado de trazas en tiempo real en detectores de píxeles de alta granularidad mantiene un rendimiento robusto a través de diversas geometrías de sensores, campos magnéticos y niveles de ruido, siendo las pérdidas significativas de eficiencia debidas al daño por radiación mayoritariamente recuperables mediante el reentrenamiento de la red.