2503 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.
I progetti HAWL e HAWLU dimostrano le capacità della muografia dinamica mappando con successo terreni montuosi con un rilevatore portatile montato su veicolo e misurando le variazioni del livello dell'acqua mareale in un tunnel sottomarino con precisione su scala metrica utilizzando un sistema compatto e aggiornato.
Utilizzando 140 fb di dati di collisioni protone-protone a TeV, la collaborazione ATLAS riporta la prima osservazione in un singolo esperimento della produzione di un singolo quark top nel canale , con una significatività di 5,1 deviazioni standard, misurando una sezione d'urto coerente con le previsioni del Modello Standard.
Questo articolo calcola i fattori di forma tensoriali del nucleone chiral-dispari separati per sapore e i loro momenti monopolari, dipolari e quadrupolari risultanti utilizzando le regole di somma QCD su fronte di luce, rivelando nuove relazioni analitiche esatte tra i sapori dei quark e fornendo previsioni numeriche per la deformazione spaziale trasversale dei quark e del nucleone.
Questo articolo presenta il progetto e i risultati iniziali delle prestazioni della camera a proiezione temporale a argon liquido SBND da 112 tonnellate, dimostrando che tutti i sistemi hanno soddisfatto o superato i requisiti di progettazione — inclusi un'eccezionale purezza dell'argon, livelli di rumore vicini al valore teorico e un'elevata efficienza nella raccolta dei dati — stabilendo così il rivelatore come uno strumento all'avanguardia per la fisica dei neutrini.
Questo articolo introduce un framework di Geometric Deep Learning che utilizza le Graph Neural Networks per migliorare la rilevazione e la ricostruzione del Fondo di Neutrini da Supernovae Diffusi nei rivelatori water-Cherenkov, recuperando accuratamente l'energia del positrone e classificando i segnali di cattura dei neutroni con prestazioni comparabili ai metodi allo stato dell'arte.
Questo articolo propone di sfruttare le geometrie dei rivelatori note per ottimizzare la complessità computazionale delle Graph Neural Networks per la ricostruzione di calorimetri ad alta granularità, validando l'approccio attraverso molteplici task e introducendo HIBOU, un'architettura modulare per integrare questi blocchi GNN ottimizzati in framework specifici degli esperimenti.
Questo articolo riporta la prima dimostrazione di ricostruzione del vertice 4D alla scala dei 50 ps utilizzando un telescopio a fascio Timepix4, raggiungendo una risoluzione temporale del vertice di per 16 cluster e identificando la distribuzione del clock e i sistemi di riferimento temporale come i principali contributori irreversibili al limite di risoluzione rimanente.
Questo articolo presenta un'analisi combinata dei dati sui neutrini atmosferici provenienti da Super-Kamiokande, IceCube-DeepCore e KM3NeT/ORCA, che raggiunge una precisione competitiva sui parametri di oscillazione ed esclude l'ordinamento di massa dei neutrini invertito con un livello di confidenza del 99,95% a favore dell'ordinamento normale.
Questo articolo dimostra che interpretare i limiti della violazione del gusto dei leptoni carichi come sonde della nuova fisica nel settore richiede di tenere conto simultaneamente dell'evoluzione del gruppo di rinormalizzazione di dimensione 6 e del mixing degli operatori di dimensione 8, poiché trascurare uno qualsiasi di questi meccanismi porta a errori significativi nel vincolare i coefficienti di Wilson sottostanti.
Questo articolo introduce un jet tagger basato su una rete tensoriale ad albero (Tree Tensor Network) di ispirazione quantistica altamente compatto, che sfrutta un nucleo tensoriale condiviso e forti prior di radiazione sugli alberi di declustering di Lund per raggiungere prestazioni paragonabili a modelli molto più grandi nella discriminazione quark/gluone e nel top tagging, consentendo al contempo una unicità di interpretabilità attraverso l'analisi dello spazio latente attraverso le ricorrenze dell'albero e il trasferimento del generatore.