Deze collectie duikt in de fascinerende wereld van deeltjesfysica, waar wetenschappers de kleinste bouwstenen van ons universum bestuderen. Van de mysterieuze krachten die subatomaire deeltjes bij elkaar houden tot de zoektocht naar nieuwe theorieën die de natuurkunde van morgen kunnen vormgeven, hier vind je de nieuwste inzichten die de grenzen van onze kennis verleggen.

Bij Gist.Science halen we elk nieuw preprint op dit gebied direct vanuit arXiv en maken het toegankelijk voor iedereen. We verwerken deze onderzoeken niet alleen in gedetailleerde technische samenvattingen voor experts, maar bieden ook heldere, begrijpelijke uitleg zonder jargon. Zo blijft de wetenschap binnen bereik van elke nieuwsgierige geest, ongeacht je achtergrond.

Hieronder vind je de meest recente papers in deze categorie, zorgvuldig samengevat voor jou.

🔬 physics

Unknown Unknowns: Model Misspecification in Machine Learning for Physics

Dit artikel behandelt de kritieke uitdaging van modelmis-specificatie in machine learning-toepassingen voor de natuurkunde, waarbij wordt betoogd dat robuuste analyse een iteratieve cyclus van complementaire diagnostiek en modelupdates vereist, ondersteund door een mentaliteit die onvoorziene fouten anticipeert en accommodeert om onderscheid te maken tussen nieuwe ontdekkingen en analytische biases.

Juan Cruz-Martinez, Carolina Cuesta-Lazaro, Alexander Held, Michael Kagan2026-08-17
⚛️ phenomenology

Axion Isocurvature Perturbations Survive the Scaling Evolution of Axion Domain Walls

Dit artikel demonstreert dat aanzienlijke axion-isocurvatuurperturbaties kunnen overleven tijdens de schalingsevolutie en de uiteindelijke annihilatie van axiondomeinwanden, aangezien de verstoorde vacuümenergie die vrijkomt tijdens de instorting de superhorizon inflatiecorrelaties overneemt en overdraagt aan de axiondonkermateriedichtheid.

Naoya Kitajima, Junseok Lee, Kai Murai, Fuminobu Takahashi, Wen Yin2026-08-17
🤖 machine learning

Contrastive Learning for Interpretable Anomaly Detection at Collider Experiments

Het artikel introduceert ORCA, een tweestaps-framework dat supervised contrastief leren combineert met autoencoders om zowel de sensitiviteit als de interpreteerbaarheid te verbeteren bij de detectie van anomalieën in de deeltjesversneller door gebeurtenissen te mappen naar een embedding-ruimte waarin anomale monsters kwantitatief kunnen worden toegeschreven aan bekende fysische processen.

Haoyi Jia, Sagar Addepalli, Julia Gonski2026-08-17
⚛️ lattice

Efficient Hamiltonian Truncation: Fast Matrix Construction and Quantum Krylov Diagonalization

Dit artikel presenteert een hybride klassiek-kwantumstrategie om de efficiëntie van Hamiltonian-truncatie voor kwantumveldentheorieën te verbeteren door de introductie van een op gehele partiënten gebaseerde basisgeneratie, symmetrie-bewuste ijle matrixconstructie en kwantum-Krylov-diagonalisatie, waarmee significante computationele winsten worden aangetoond in twee-dimensionale scalaire en ϕ4\phi^4-modellen.

Rachel Houtz, Marco Knipfer, Konstantin Matchev, Alexander Roman, Mia West2026-08-17
⚛️ phenomenology

Beyond Δm2\Delta m^2: Absolute Mass Sensitivity in Neutrino Oscillations

Dit artikel toont aan dat neutrino-oscillaties de absolute neutrino-masschaal kunnen verkennen via correcties van de volgende orde in de oscillatiefase, waarbij wordt onthuld dat het JUNO-experiment massa's van enkele honderden keV zou kunnen detecteren, waardoor een nieuwe en complementaire methode voor bestaande massa-beperkingen wordt geboden.

Gustavo F. S. Alves, André L. C. de Gouvêa, Joshua Kaler, Shirley Weishi Li, Pedro A. N. Machado2026-08-17
⚛️ phenomenology

Strong CP\mathcal{CP} and Quark Mass Hierarchies from Modular Invariance

Dit artikel stelt voor dat het uitbreiden van modulaire sterke CP-oplossingen naar niet-Abelse eindige modulaire symmetrieën tegelijkertijd het sterke CP-probleem oplost door θˉ=0\bar\theta=0 in te stellen en quark-massa-hiërarchieën genereert via een modulaire-anomalie-conditie die de Yukawa-determinant dwingt om te verdwijnen bij de cusp.

Xiang-Gan Liu, Michael Ratz, Alexander Stewart2026-08-17
⚛️ nuclear theory

Bayesian inference of event-by-event collision geometry from charged-particle multiplicity in heavy-ion collisions

Dit artikel introduceert de Inference-driven Participant Determination (IPD) methode, een Bayesiaans raamwerk dat geladen-deeltjesmultipliciteit en Monte-Carlo Glauber-priors gebruikt om gebeurtenis-per-gebeurtenis botsingsgeometrie probabilistisch af te leiden, waardoor volumefluctuaties worden verminderd en de reconstructie van netto-protoncumulanten wordt verbeteren in vergelijking met conventionele centraliteitsclassificatie.

Yige Huang, Fu-Peng Li, Hanwen Feng, Nu Xu2026-08-17
⚛️ phenomenology

Exploring the chiral magnetic effect in Au+Au collisions at sNN=7.7−200\sqrt{s_{NN}}=7.7-200 GeV through Chiral Anomaly Transport

Door gebruik te maken van een Chiral Anomaly Transport-module binnen het AMPT-model identificeert deze studie een significant Chiral Magnetic Effect-signaal in Au+Au-botsingen bij sNN=11,5−27\sqrt{s_{NN}} = 11,5-27 GeV dat overeenkomt met STAR-data, terwijl zij vindt dat het signaal verdwijnt bij 7,7 en 200 GeV vanwege de energieafhankelijke dynamiek van het magnetische veld en de chemische freeze-out tijd.

Zilin Yuan, Anping Huang, Guo-Liang Ma, Mei Huang, Guannan Xie2026-08-17
⚛️ phenomenology

Probing the Single Production of First-Generation Singlet Vector-like Leptons at Future e+e−e^+e^- Colliders

Dit artikel toont aan dat toekomstige e+e−e^+e^--colliders, specifiek de 1 TeV ILC en 1,5 TeV CLIC, effectief de eerste generatie singlet vector-achtige leptonen kunnen onderzoeken via single productiekanalen met gebooze decay-signaturen, waarbij ontdekkingsbereiken voor massa's tot 900 GeV en 1400 GeV worden bereikt respectievelijk, wat de huidige hadron collider-limieten overtreft.

Yao-Bei Liu, Stefano Moretti2026-08-17