physics.data-an

Machine-learned particle flow as a foundation model for collider physics

Este artículo establece el flujo de partículas aprendido mediante aprendizaje automático (MLPF) como un modelo fundacional para la física de colisionadores al demostrar que sus representaciones latentes aprendidas sirven como un puente compartido y rico en información entre los datos del detector de bajo nivel y diversas tareas de análisis de alto nivel, mejorando significativamente el rendimiento y la eficiencia en comparación con los enfoques modulares tradicionales.

Towards unified Geophysical Data Requirements for Magnetic Navigation (MagNav)

Este artículo inicia un diálogo comunitario sobre los requisitos estandarizados de datos geofísicos para la Navegación Magnética al distinguir entre las necesidades operativas y de I+D, y proponiendo recomendaciones específicas tales como conjuntos de datos combinados, estimaciones de incertidumbre localizadas y áreas de prueba designadas para superar las barreras actuales de despliegue.

Information theory for hypergraph similarity

Este artículo introduce un marco general de teoría de la información que permite la comparación fundamentada de hipergrafos al capturar interacciones de orden superior significativas y corregir las correlaciones espurias mediante una medida de información mutua normalizada.

Symmetry-electronic fingerprints reveal competing magnetic phases in two-dimensional materials

Este artículo introduce una representación de huella digital simetría-electrónica (SEF) que, al integrar la simetría cristalográfica y la estructura electrónica resuelta por sitio, permite que los modelos de aprendizaje automático predigan con precisión las propiedades magnéticas en materiales 2D, utilizando de manera única la incertidumbre del modelo como una herramienta de diagnóstico para identificar y caracterizar fases magnéticas competitivas y la frustración.

Electron Ptychography Reveals Correlated Lattice Vibrations at Atomic Resolution

Accurate Estimation of Mutual Information in High Dimensional Data

Este artículo propone un protocolo práctico y una nueva clase de críticos probabilísticos (VSIB) que permiten una estimación de la información mutua fiable y con corrección de sesgo en regímenes de alta dimensión y submuestreo, mediante el aprovechamiento de representaciones latentes de baja dimensión y la provisión de comprobaciones de consistencia estadística explícitas e intervalos de confianza.

Spatially Masked Regression Reveals Local and Distributed Predictability in Electrophysiological Recordings

Este artículo introduce un marco de Regresión Espacialmente Enmascarada (SMR, por sus siglas en inglés) que cuantifica el equilibrio entre la información local y la distribuida en los registros electrofisiológicos mediante la reconstrucción de las señales de los electrodos mientras se excluyen sistemáticamente los canales vecinos, revelando que los canales individuales reflejan tanto la redundancia local inmediata como la estructura más amplia de la red.

fitPALSpectra: Python fitting of positron annihilation lifetime spectra

Este artículo presenta fitPALSpectra, un flujo de trabajo de Python de código abierto que aborda los desafíos de analizar datos de espectroscopía de tiempo de vida de aniquilación de positrones (PALS) al proporcionar una herramienta configurable para simular, ajustar y visualizar espectros utilizando un modelo exponencial-gaussiano analíticamente integrado, el cual ha sido validado para recuperar con precisión los parámetros de la verdad fundamental en datos sintéticos.

Integrating Out, Twice:The Open-System Case That Neural-Network Ensemble Theory Is Missing

Este artículo establece un marco teórico que compara los conjuntos de redes neuronales de sistema cerrado con análogos de sistema abierto de la teoría de reacciones nucleares, concluyendo finalmente que la dinámica no hermítica distintiva de estos últimos está estructuralmente ausente en el aprendizaje convencional debido a la falta de espectros continuos y comportamiento ondulatorio, localizando así la verdadera fuente de la incertidumbre operativa dentro de la correspondencia del sistema cerrado.

Confidence, Statistical Evidence and Relative Belief with Applications to a Problem in Particle Physics

Este artículo aplica inferencias de creencia relativa, las cuales satisfacen tanto el ordenamiento de verosimilitud bayesiano como los requisitos de confianza frecuentistas, para construir intervalos de incertidumbre para un modelo de señal con fondo de Poisson en física de partículas, demostrando sus ventajas sobre el enfoque estándar de Feldman-Cousins.