2627 papers
Hep-Ex staat voor experimentele hoogenergetische fysica, een fascinerend vakgebied dat zich richt op het bestuderen van de kleinste bouwstenen van het universum door middel van enorme deeltjesversnellers. In deze categorie duiken we in onderzoek dat de fundamentele krachten en deeltjes onderzoekt die onze werkelijkheid vormen, vaak met behulp van gegevens uit de grootste experimenten ter wereld.
Op Gist.Science verzamelen we de nieuwste voorpublicaties van arXiv binnen dit domein en maken ze toegankelijk voor een breder publiek. Voor elk nieuw artikel uit deze lijst verwerken we de complexe inhoud tot zowel een begrijpelijke samenvatting in gewone taal als een gedetailleerde technische uitleg, zodat iedereen de betekenis van deze doorbraak kan volgen.
Hieronder vindt u de meest recente artikelen uit het veld van experimentele hoogenergetische fysica, klaar om te ontdekken.
Het artikel betoogt dat geobserveerde LHC-excessen bij 650 GeV en 95 GeV bewijs leveren voor een Randall-Sundrum Kaluza-Klein graviton-sequentie die voorheen als te zwaar voor detectie werd beschouwd, wat suggereert dat het heranalyseren van gegevens met passende selectiecriteria voor deze resonanties in ZZ-, WW- en Higgs-paar-kanalen tot een significante ontdekking zou kunnen leiden.
Dit artikel beschrijft de opstelling van het BMV-experiment en rapporteert een verbeterde bovengrens voor de vacuüm lineaire magnetische dubbelbrekingsconstante van bij een betrouwbaarheidsniveau van 68%, bereikt met speciaal ontworpen gepulseerde foliespoelen.
Dit artikel presenteert een op deep learning gebaseerd graph neural network-prototype voor de FCC-ee IDEA-detector dat er succesvol in slaagt hiërarchische -hadron vervalstructuren te reconstrueren uit geladen deeltjesgegevens, waarbij een nauwkeurigheid van meer dan 90% wordt behaald bij het identificeren van de juiste deeltjelsets over diverse vervalketens heen.
Dit artikel introduceert SysVar, een open-source, experiment-agnostische Python-bibliotheek die de schaalbare en consistente behandeling van systematische onzekerheden in template-gebaseerde analyses vereenvoudigt door de propagatie van correctiegewichten te automatiseren en correlaties te behouden via orthogonale eigenvariaties.
Dit artikel presenteert een proof-of-concept studie die aantoont dat Neural Ratio Estimation (NRE) effectief WIMP-parameters kan afleiden in directe detectie-experimenten zoals XENONnT door impliciet te marginaliseren over astrofysische onzekerheden via multi-model training, wat een schaalbaar en robuust alternatief biedt voor traditionele profile likelihood-methoden.
Deze studie toont aan dat geoptimaliseerde scintillatoren op basis van polyurethaan gedoteerd met PPO en POPOP snelle timing, een hoge lichtopbrengst en schaalbare fabricage op meterschaal voor grootoppervlakte deeltjesdetectoren bieden, terwijl ze herstelbaar stralingsschade vertonen na protonenbestraling.
Dit artikel presenteert een fenomenologische studie die bijdragen van lage en hoge transversale momentum combineert om de longitudinale ongepolariseerde structuurfunctie in SIDIS te schatten, waarbij wordt onthuld dat de aanzienlijke verhouding tot de transversale structuurfunctie () de inclusie ervan noodzakelijk maakt voor een nauwkeurige interpretatie van experimentele gegevens en motiveert voor toegewijde metingen om deze longitudinale bijdrage verder te beperken.
De eerste resultaten van de JUNO-collaboratie bieden sterke experimentele ondersteuning voor een nieuwe empirische relatie tussen neutrino-massaverschillen, waarbij een centrale waarde van $1,4143$ wordt onthuld die binnen $0,03$ standaarddeviaties overeenkomt met de voorspelde en wijst op een onderliggende symmetrie in het neutrino-massaspectrum.
Dit artikel evalueert Logic Neural Networks (LNN's) als een herconfigureerbare, stralingsbestendige en hulpbron-efficiënte oplossing voor on-chip machine learning in de volgende generatie pixeldetectoren voor deeltjesfysica, wat complexe inferentie en aanpassing na de implementatie mogelijk maakt waar traditionele methoden falen.
Dit artikel demonstreert dat de \textit{smartpixels} neurale netwerkclassifier voor real-time trackfiltering in hoog-granulaire pixeldetectoren een robuuste prestatie behoudt bij variërende sensorgeometrieën, magnetische velden en ruisniveaus, waarbij significante efficiëntieverliezen door stralingsschade grotendeels herstelbaar zijn door middel van netwerktraining.