De wereld van de theoretische natuurkunde, vaak afgekort als Hep-Th, onderzoekt de meest fundamentele krachten en deeltjes waaruit ons universum bestaat. Van de mysterieuze aard van zwarte gaten tot de zoektocht naar een verenigde theorie, dit vakgebied duikt diep in de wiskundige structuren die de realiteit vormen. Voor de leek kunnen deze concepten soms ondoordringbaar lijken, maar ze vormen de basis van ons begrip van de kosmos.

Op Gist.Science maken wij de nieuwste inzichten uit deze complexe wereld toegankelijk. Elke preprint die op arXiv verschijnt binnen deze categorie wordt door ons systematisch verwerkt. We bieden voor elk artikel zowel een begrijpelijke samenvatting in gewone taal als een gedetailleerde technische uitleg, zodat zowel geïnteresseerden als experts snel de kern kunnen vatten.

Hieronder vind je de meest recente publicaties in dit vakgebied, zorgvuldig samengevat om je direct te laten kennismaken met de nieuwste doorbraken in de theoretische fysica.

⚛️ phenomenology

Stochastic analysis of finite-temperature effects on cosmological parameters by artificial neural networks

Dit onderzoek toont aan dat het integreren van eind-temperatuur kwantumzwaartekrachteffecten in kosmologische modellen, met behulp van kunstmatige neurale netwerken en aangepaste CMB-analyses, leidt tot een betere passing bij Planck-data en de nauwkeurigheid van het model verhoogt, hoewel de Hubble-spanning hierdoor nog niet volledig wordt opgelost.

Armin Hatefi, Ehsan Hatefi, I. Y. Park2026-02-18
⚛️ high-energy theory

Thermal Bhabha scattering under the influence of non-hermiticity effects

Dit artikel onderzoekt het Bhabha-verstrooiingsproces binnen de raamwerk van niet-hermitische QED bij eindige temperatuur, waarbij gebruik wordt gemaakt van de Thermofield Dynamics-formaliteit om de thermische differentieelwerkzame doorsnede af te leiden en beperkingen op de axiale koppelingsconstante vast te stellen onder invloed van ongebroke PT-symmetrie.

D. S. Cabral, A. F. Santos, R. Bufalo2026-02-18
⚛️ high-energy theory

Learning the S-matrix from data: Rediscovering gravity from gauge theory via symbolic regression

Dit artikel demonstreert dat moderne machine-learningmethoden, en met name symbolische regressie, autonoom fundamentele analytische structuren in verstrooiingsamplitudes kunnen reconstrueren uit numerieke data, waardoor de Kawai-Lewellen-Tye-relaties en andere verbanden tussen Yang-Mills-theorie en zwaartekracht zonder theoretische aannames worden herontdekt.

Nathan Moynihan2026-02-18