1483 articoli
Questa sezione è dedicata all'interazione tra il fegato e l'intestino, un dialogo biologico fondamentale che influenza la digestione, l'immunità e persino la salute mentale. Qui esploriamo come questi due organi comunicano costantemente, scambiando sostanze e segnali che possono proteggere o danneggiare il nostro organismo, rendendo comprensibile una rete complessa senza bisogno di termini specialistici.
Ogni articolo presentato proviene direttamente da arXiv, dove Gist.Science analizza sistematicamente ogni nuovo preprint pubblicato in questo settore. Per ogni studio, offriamo una spiegazione semplice accessibile a tutti, affiancata da un'analisi tecnica dettagliata per chi desidera approfondire i dati specifici e le metodologie di ricerca.
Di seguito trovate le ultime pubblicazioni in questa categoria, con le nostre sintesi pronte per guidarvi alla scoperta delle nuove frontiere della ricerca epato-intestinale.
Il documento propone l'uso di osservabili CP-dispari nel processo , derivanti da accoppiamenti anomali e valutati nel limite chirale, per sondare il momento di dipolo elettrico del quark strange con sensibilità fino a utilizzando i dati attuali e futuri degli esperimenti a collisione .
Il documento presenta GRACE, un agente di intelligenza artificiale autonomo progettato per ottimizzare la configurazione e il design degli esperimenti di fisica delle particelle attraverso la simulazione, l'analisi di documenti scientifici e l'esplorazione di modifiche basate sui principi fisici fondamentali.
Questo studio esclude la finestra di massa MeV per l'assione QCD accoppiato ai quark up, down e all'elettrone, dimostrando che i dati del decadimento dell'esperimento KTeV, uniti ad altri limiti sperimentali, eliminano tale possibilità anche considerando le incertezze della lagrangiana chirale, salvo in un minuscolo regione di parametri che richiederebbe una cancellazione fine tra contributi di ordine superiore.
Questo lavoro presenta la prima implementazione operativa su FPGA di una rete neurale grafica in tempo reale per il trigger del calorimetro elettromagnetico dell'esperimento Belle II, che raggiunge una latenza deterministica di 3,168 µs e migliora significativamente la risoluzione spaziale, la purezza e l'efficienza dei cluster rispetto all'algoritmo di base.
Il lavoro calcola le funzioni di frammentazione per i mesoni charm e strange, derivando e risolvendo un sistema di venticinque equazioni accoppiate che descrivono la cascata di emissione di adroni utilizzando funzioni d'onda di Bethe-Salpeter covarianti e propagatori di quark per fornire una visione coerente della frammentazione nei settori leggeri e pesanti.
Questo articolo presenta la prima dimostrazione di un'applicazione di machine learning a bassa latenza e resistente alle radiazioni su FPGA, ottenuta sviluppando un autoencoder compresso, una strategia di quantizzazione hardware-consapevole e un nuovo backend per hls4ml che abilita la sintesi automatica su FPGA Microchip PolarFire per l'esperimento PicoCal di LHCb.
Questo articolo presenta un metodo di analisi dati basato sulla compressione quantistica che, utilizzando un processore IBM a 8 qubit, dimostra la capacità di memorizzare e recuperare informazioni sugli eventi dei neutrini con un'affidabilità dell'84%, permettendo così di superare i limiti dei metodi classici nell'identificare fenomeni fisici inaspettati.
Il paper propone e analizza due modelli minimali, completi e rinormalizzabili di tri-ipercarica, che spiegano le masse e le miscele dei fermioni attraverso tre scale fisiche correlate e prevedono che il più leggero sia rilevabile nelle ricerche di dileptoni al LHC Run 3.
Il documento illustra come le misurazioni di alta precisione dei momenti magnetici dell'elettrone e del muone costituiscano test fondamentali per il Modello Standard e la simmetria CPT, fornendo al contempo una potente sensibilità per indagare la fisica oltre il Modello Standard, mentre i momenti magnetici del tau e del neutrino sono attualmente limitati solo da vincoli sperimentali.
Questo studio dimostra che l'impiego di architetture di deep learning basate su meccanismi di attenzione, in particolare le reti transformer, migliora significativamente la sensibilità del LHC ai couplaggi FCNC del quark top con i fotoni, permettendo di sondare rapporti di diramazione fino a con limiti di esclusione cinque volte più stringenti rispetto alle analisi tradizionali.