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.

⚛️ fenomenologie

Resonant W and Z Boson Production in FSRQ Jets: Implications for Diffuse Neutrino Fluxes

Dit artikel onderzoekt de resonante productie van W±W^{\pm}- en ZZ-bosonen via elektron-positron-annihilatie in FSRQ-jets, en concludeert dat hoewel de resulterende diffuse neutrino-flux zijn piek bereikt bij een roodverschuiving van z∼1z \sim 1, deze toch meerdere ordes van grootte onder de huidige detectiedrempels blijft en een verwaarloosbaar klein deel uitmaakt van de totale astrofysische neutrino-achtergrond.

Ji-Hoon Ha, Ibragim Alikhanov2026-04-28
⚛️ rooster

Hamiltonian formulation of the 1+11+1-dimensional ϕ4ϕ^4 theory in a momentum-space Daubechies wavelet basis

Dit artikel past een momentum-ruimte Daubechies-golffunctiebasis toe binnen het Hamiltoniaanse kader om niet-perturbatieve dynamica in ϕ4\phi^4-theorie in 1+11+1 dimensies te onderzoeken, waarbij het de overgang naar de sterk-koppelingsfase succesvol reproduceert en systematische convergentie van de kritieke koppeling aantoont naarmate de momentumresolutie toeneemt.

Mrinmoy Basak, Debsubhra Chakraborty, Nilmani Mathur, Raghunath Ratabole2026-04-28
⚛️ fenomenologie

Physics-Informed Neural Networks for Solving Two-Flavor Neutrino Oscillations in Vacuum and Matter Environments for Atmospheric and Reactor Neutrinos

Dit artikel onderzoekt het gebruik van Physics-Informed Neural Networks (PINNs) om de evolutie van neutrino-oscillaties in zowel vacuüm als materie nauwkeurig op te lossen voor reactor- en atmosferische neutrino's. Voor atmosferische neutrino's wordt een constante aardkern dichtheid van 13 gm/cm^3 aangenomen in het regime dat de neutrino's doorreizen, zonder rekening te houden met het volledige aardprofiel met variabele materiedichtheid.

Srinivasan T., Kalyani Desikan2026-04-28
⚛️ hoog-energie-experimenten

Passage of particles through matter and the effective straggling-function: High-fidelity accelerated simulation via Physics-Informed Machine Learning

Dit artikel introduceert PHIN-GAN, een nieuw physics-informed generatief neuraal netwerk dat met behulp van analytische waarschijnlijkheidsdichtheidsfuncties hoogwaardige simulaties van deeltjesinteracties met materie mogelijk maakt tegen een fractie van de computationele kosten van traditionele methoden zoals GEANT4.

Oleksandr Borysov, Rotem Dover, Eilam Gross, Nilotpal Kakati, Noam Tal Hod2026-04-28