physics.data-an

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

Cet article établit le flux de particules appris par apprentissage automatique (MLPF) comme un modèle de fondation pour la physique des collisionneurs en démontrant que ses représentations latentes apprises servent de pont partagé et riche en informations entre les données de détecteur de bas niveau et diverses tâches d'analyse de haut niveau, améliorant significativement les performances et l'efficacité par rapport aux approches modulaires traditionnelles.

Towards unified Geophysical Data Requirements for Magnetic Navigation (MagNav)

Cet article amorce un dialogue communautaire sur les exigences normalisées en matière de données géophysiques pour la navigation magnétique en distinguant les besoins opérationnels des besoins de R&D, et en proposant des recommandations spécifiques telles que des ensembles de données fusionnés, des estimations d'incertitude localisées et des zones d'essai désignées afin de surmonter les barrières actuelles au déploiement.

Information theory for hypergraph similarity

Cet article introduit un cadre informationnel général permettant la comparaison principled de hypergraphes en capturant des interactions d'ordre supérieur significatives et en corrigeant les corrélations spécieuses grâce à une mesure d'information mutuelle normalisée.

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

Cet article introduit une représentation de type empreinte digitale symétrie-électronique (SEF) qui, en intégrant la symétrie cristallographique et la structure électronique résolue par site, permet à des modèles d'apprentissage automatique de prédire avec précision les propriétés magnétiques dans les matériaux 2D tout en utilisant de manière unique l'incertitude du modèle comme outil de diagnostic pour identifier et caractériser les phases magnétiques concurrentes et la frustration.

Electron Ptychography Reveals Correlated Lattice Vibrations at Atomic Resolution

Accurate Estimation of Mutual Information in High Dimensional Data

Cet article propose un protocole pratique et une nouvelle classe de critiques probabilistes (VSIB) qui permettent une estimation fiable et corrigée des biais de l'information mutuelle dans des régimes de haute dimension et de sous-échantillonnage en exploitant des représentations latentes de faible dimension et en fournissant des vérifications explicites de cohérence statistique ainsi que des intervalles de confiance.

Spatially Masked Regression Reveals Local and Distributed Predictability in Electrophysiological Recordings

Cet article introduit un cadre de Régression Spatialement Masquée (SMR) qui quantifie l'équilibre entre l'information locale et distribuée dans les enregistrements électrophysiologiques en reconstruisant les signaux des électrodes tout en excluant systématiquement les canaux voisins, révélant que les canaux individuels reflètent à la fois la redondance locale immédiate et la structure plus large du réseau.

fitPALSpectra: Python fitting of positron annihilation lifetime spectra

Cet article présente fitPALSpectra, un flux de travail Python en libre accès qui répond aux défis de l'analyse des données de spectroscopie de durée de vie d'annihilation de positrons (PALS) en fournissant un outil configurable pour simuler, ajuster et visualiser des spectres à l'aide d'un modèle exponentiel-gaussien analytiquement intégré, lequel a été validé pour récupérer avec précision les paramètres de vérité terrain sur des données synthétiques.

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

Cet article établit un cadre théorique comparant les ensembles de réseaux de neurones à système fermé avec des analogues à système ouvert issus de la théorie des réactions nucléaires, concluant finalement que la dynamique non hermitienne distinctive de ces derniers est structurellement absente de l'apprentissage conventionnel en raison de l'absence de spectres continus et de comportement ondulatoire, localisant ainsi la véritable source de l'incertitude opérationnelle au sein de la correspondance de système fermé.

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

Cet article applique les inférences de croyance relative, qui satisfont à la fois l'ordonnancement de vraisemblance bayésien et les exigences de confiance fréquentistes, pour construire des intervalles d'incertitude pour un modèle de signal avec fond de Poisson en physique des particules, démontrant leurs avantages par rapport à l'approche standard de Feldman-Cousins.