physics.data-an

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

Questo articolo stabilisce il flusso di particelle appreso tramite machine learning (MLPF) come modello di fondazione per la fisica degli acceleratori, dimostrando che le sue rappresentazioni latenti apprese fungono da ponte condiviso e ricco di informazioni tra i dati del rivelatore a basso livello e diverse attività di analisi ad alto livello, migliorando significativamente le prestazioni e l'efficienza rispetto agli approcci modulari tradizionali.

Towards unified Geophysical Data Requirements for Magnetic Navigation (MagNav)

Questo articolo avvia un dialogo comunitario sui requisiti standardizzati per i dati geofisici nella Navigazione Magnetica, distinguendo tra esigenze operative e di ricerca e sviluppo, e proponendo raccomandazioni specifiche quali dataset fusi, stime di incertezza localizzate e aree di test designate per superare le attuali barriere di implementazione.

Information theory for hypergraph similarity

Questo articolo introduce un quadro teorico dell'informazione generale che consente il confronto fondato dei ipergrafi catturando interazioni di ordine superiore significative e correggendo le correlazioni spurie attraverso una misura di informazione mutua normalizzata.

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

Questo articolo introduce una rappresentazione di impronta digitale simmetria-elettronica (SEF) che, integrando la simmetria cristallografica e la struttura elettronica risolta per sito, consente ai modelli di apprendimento automatico di prevedere accuratamente le proprietà magnetiche nei materiali 2D, utilizzando in modo unico l'incertezza del modello come strumento diagnostico per identificare e caratterizzare fasi magnetiche competitive e frustrazione.

Electron Ptychography Reveals Correlated Lattice Vibrations at Atomic Resolution

Accurate Estimation of Mutual Information in High Dimensional Data

Questo articolo propone un protocollo pratico e una nuova classe di critici probabilistici (VSIB) che consentono una stima dell'informazione mutua affidabile e corretta dal bias in regimi ad alta dimensionalità e sottocampionati, sfruttando rappresentazioni latenti a bassa dimensionalità e fornendo espliciti controlli di coerenza statistica e intervalli di confidenza.

Spatially Masked Regression Reveals Local and Distributed Predictability in Electrophysiological Recordings

Questo articolo introduce un framework di Regressione Spazialmente Mascherata (SMR) che quantifica l'equilibrio tra informazione locale e distribuita nelle registrazioni elettrofisiologiche ricostruendo i segnali degli elettrodi mentre esclude sistematicamente i canali vicini, rivelando che i singoli canali riflettono sia la ridondanza locale immediata che la struttura più ampia della rete.

fitPALSpectra: Python fitting of positron annihilation lifetime spectra

Questo articolo introduce fitPALSpectra, un workflow Python open-source che affronta le sfide dell'analisi dei dati della spettroscopia di annichilazione positronica (PALS) fornendo uno strumento configurabile per simulare, adattare e visualizzare spettri utilizzando un modello esponenziale-Gaussiano analiticamente integrato, il quale è stato validato per recuperare accuratamente i parametri di verità fondamentale su dati sintetici.

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

Questo articolo stabilisce un quadro teorico che confronta gli ensemble di reti neurali a sistema chiuso con analoghi a sistema aperto della teoria delle reazioni nucleari, concludendo infine che la distintiva dinamica non ermitiana di questi ultimi è strutturalmente assente nell'apprendimento mainstream a causa della mancanza di spettri continui e di comportamento ondulatorio, localizzando così la vera fonte dell'incertezza operativa all'interno della corrispondenza a sistema chiuso.

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

Questo articolo applica le inferenze di credenza relativa, che soddisfano sia l'ordinamento di verosimiglianza bayesiano sia i requisiti di confidenza frequentisti, per costruire intervalli di incertezza per un modello di segnale con fondo di tipo Poisson in fisica delle particelle, dimostrando i loro vantaggi rispetto all'approccio standard di Feldman-Cousins.