2610 articles
Ce domaine explore les mécanismes complexes qui régissent la réponse du corps aux infections virales et aux traitements, un sujet crucial pour comprendre comment nous protégeons notre santé face aux menaces biologiques. Les recherches ici couvrent tout, de l'identification de nouvelles cibles thérapeutiques à l'analyse de la façon dont les médicaments interagissent avec nos cellules, offrant une fenêtre précieuse sur l'avenir de la médecine préventive.
Sur Gist.Science, nous surveillons en permanence arXiv pour vous apporter les dernières découvertes dans ce secteur. Chaque nouvelle prépublication est traitée pour vous offrir à la fois un résumé technique rigoureux et une explication claire en langage courant, rendant l'information scientifique accessible sans sacrifier la précision. Vous trouverez ci-dessous la sélection des tout derniers articles soumis par les chercheurs dans ce domaine passionnant.
Cet article propose une nouvelle mesure de l'ajustement fin basée sur la géométrie de l'information de Fisher, qui généralise le critère de Barbieri-Giudice et interprète la sensibilité des observables comme une déformation géométrique de l'espace des paramètres.
Cette contribution présente l'application de modèles d'apprentissage profond, notamment des architectures convolutionnelles et des transformateurs, pour identifier efficacement les événements d'empilement causés par le C dans l'expérience JUNO, afin d'améliorer la résolution énergétique des positrons et de déterminer l'ordre de masse des neutrinos.
Cet article présente ImpCresst, un outil de simulation Monte Carlo basé sur Geant4 conçu par la collaboration CRESST pour modéliser les bruits de fond et les signaux de calibration dans les détecteurs à semi-conducteurs aux énergies du keV, offrant une grande flexibilité via l'importation de géométries CAD, une gestion avancée des données et une adaptabilité à d'autres expériences.
Cette étude présente une recherche de particules massives et à longue durée de vie dans les collisions proton-proton à 13,6 TeV avec le détecteur ATLAS, utilisant un échantillon de données de 164 fb⁻¹ pour identifier des événements comportant des vertex décalés et des muons décalés, sans observer d'excès significatif par rapport au bruit de fond attendu.
Cet article démontre que les futurs détecteurs de neutrinos à bas seuil basés sur des sources de spallation (ESS, J-PARC, CSNS) seront capables de tester des régions inédites de l'espace des paramètres pour la matière noire sub-GeV produite via des désintégrations de pions neutres, en utilisant des médiateurs vectoriels génériques ou baryophiles.
Cet article propose des principes de conception géométrique pour les réseaux de neurones quantiques en redéfinissant l'apprenabilité non pas comme une simple atteignabilité des états, mais comme une géométrie contrôlable des représentations cachées nécessitant une dépendance conjointe aux données et aux poids via le critère de sélectivité locale presque complète (aCLS).
En préparant une cavité micro-onde supraconductrice dans un état de Fock non classique () à l'aide d'un qubit supraconducteur, les auteurs démontrent une technique d'amplification quantique qui augmente le taux de détection des photons issus de la matière noire d'un facteur 2,78, permettant ainsi d'exclure un angle de mélange cinétique pour des photons sombres d'environ 5,965 GHz.
Cet article propose une méthode novatrice pour détecter le fond cosmique de neutrinos en exploitant la fluorescence paramétrique induite par la diffusion cohérente de neutrinos reliques sur des systèmes moléculaires, un processus qui pourrait générer un signal photonique détectable grâce à l'amplification cohérente dans des volumes cibles appropriés.
Cette étude démontre que les variations dans la modélisation des interactions finales peuvent fausser la reconstruction de l'énergie des neutrinos et imiter les effets des paramètres d'oscillation dans les expériences à longue base comme DUNE, soulignant ainsi la nécessité urgente d'une meilleure caractérisation théorique et expérimentale de ces interactions.
Ce papier présente NuBench, un benchmark open-source composé de sept ensembles de données simulées couvrant six géométries de détecteurs, conçu pour évaluer et comparer des algorithmes d'apprentissage profond pour la reconstruction d'événements dans les télescopes à neutrinos.