252 papers
Fysica — Data-analyse vormt de brug tussen ruwe metingen en inzichtelijke wetenschap. In dit domein draait het om het ontcijferen van complexe datasets, waarbij geavanceerde statistieken en algoritmen worden gebruikt om patronen te ontdekken die voor het blote oog onzichtbaar blijven. Van het bestuderen van kosmische straling tot het analyseren van deeltjesbotsingen, deze onderzoeken vertalen enorme hoeveelheden informatie in duidelijke antwoorden over hoe ons universum werkt.
Op Gist.Science halen we elke nieuwe preprint uit deze categorie direct van arXiv en maken deze toegankelijk voor een breder publiek. Voor elk artikel bieden we zowel een begrijpelijke samenvatting in gewone taal als een diepgaande technische analyse, zodat zowel experts als geïnteresseerden leken de kern van de ontdekkingen kunnen snappen. Hieronder vindt u de nieuwste publicaties in dit dynamische vakgebied, direct uit de bron van de wetenschap.
Dit artikel vestigt machine-learned particle flow (MLPF) als een foundation model voor colliderfysica door aan te tonen dat de geleerde latente representaties dienen als een gedeelde, informatieverrijkte brug tussen laag-niveau detectorgegevens en diverse hoog-niveau analyse-taken, wat de prestaties en efficiëntie aanzienlijk verbetert in vergelijking met traditionele modulaire benaderingen.
Dit artikel initieert een gemeenschapsdialoog over gestandaardiseerde geofysische gegevensvereisten voor magnetische navigatie door onderscheid te maken tussen operationele en R&D-behoeften, en specifieke aanbevelingen voor te stellen zoals samengevoegde datasets, gelokaliseerde onzekerheidsschattingen en aangewezen testgebieden om de huidige barrières voor implementatie te overwinnen.
Dit artikel introduceert een algemeen informatietheoretisch kader dat een principiële vergelijking van hypergrafen mogelijk maakt door betekenisvolle hogere-orde interacties te vatten en voor schijncorrelaties te corrigeren via een genormaliseerde wederzijdse informatie-maatstaf.
Dit artikel introduceert een symmetrie-elektronische vingerafdruk (SEF)-representatie die, door kristallografische symmetrie en site-opgeloste elektronische structuur te integreren, machine learning-modellen in staat stelt om magnetische eigenschappen in 2D-materialen nauwkeurig te voorspellen, terwijl het uniek gebruikmaakt van modelonzekerheid als diagnostisch instrument om concurrerende magnetische fasen en frustratie te identificeren en te karakteriseren.
Dit artikel stelt een praktisch protocol en een nieuwe klasse probabilistische critici (VSIB) voor die betrouwbare, bias-gecorrigeerde schatting van wederzijdse informatie mogelijk maken in hoogdimensionale, ondergesamplede regimes door gebruik te maken van laagdimensionale latente representaties en door expliciete statistische consistentiecontroles en betrouwbaarheidsintervallen te bieden.
Dit artikel introduceert een Spatially Masked Regression (SMR)-framework dat de balans tussen lokale en gedistribueerde informatie in elektrofysiologische opnames kwantificeert door elektrodesignalen te reconstrueren terwijl naburige kanalen systematisch worden uitgesloten, wat onthult dat individuele kanalen zowel directe lokale redundantie als een bredere netwerkbrede structuur weerspiegelen.
Dit artikel introduceert fitPALSpectra, een open-source Python-workflow die de uitdagingen bij het analyseren van positron annihilatie levensduur spectroscopie (PALS) data aanpakt door een configureerbare tool te bieden voor het simuleren, fitten en visualiseren van spectra met behulp van een analytisch geïntegreerd exponentieel–Gaussisch model, dat is gevalideerd om grondwaarheidsparameters nauwkeurig te herstellen op synthetische data.
Dit artikel vestigt een theoretisch kader waarin gesloten systeem neurale netwerkensembles worden vergeleken met open systeem analogen uit de kernreactietheorie, om uiteindelijk te concluderen dat de kenmerkende niet-Hermitische dynamica van laatstgenoemde structureel afwezig zijn in de mainstream leerprocessen vanwege het gebrek aan continue spectra en golfachtig gedrag, waardoor de werkelijke bron van operationele onzekerheid binnen de gesloten-systeem correspondentie wordt gelokaliseerd.
Dit artikel past inferenties op basis van relatieve overtuiging toe, die zowel voldoen aan de Bayesiaanse likelihood-ordening als aan de frequentistische betrouwbaarheidseisen, om onzekerheidsintervallen te construeren voor een Poisson signaal-met-achtergrondmodel in de deeltjesfysica, waarbij de voordelen ten opzien van de standaard Feldman-Cousins-benadering worden aangetoond.