physics.data-an papers | Gist.Science

Enhancing Reconstruction Capability of Wavelet Transform Amorphous Radial Distribution Function via Machine Learning Assisted Parameter Tuning

Deze studie introduceert het verbeterde WT-RDF+-framework, dat door middel van machine learning de parameters van de Wavelet Transform Radiale Distributiefunctie optimaliseert om de reconstructieprecisie van atomaire structuren in amorfe Ge-Se en Ag-Ge-Se materialen te verhogen en zo de beperkingen van eerdere methoden en conventionele ML-modellen te overtreffen.

Deriyan Senjaya, Stephen Ekaputra LimantoroWed, 11 Ma🔬 cond-mat.mtrl-sci

Leveraging chaotic transients in the training of artificial neural networks

Dit artikel toont aan dat het trainen van kunstmatige neurale netwerken met ongebruikelijk grote leersnelheden, waardoor ze zich in een overgangsregime van chaotische dynamica bevinden, de balans tussen exploratie en exploitatie verbetert en zo de trainingsduur aanzienlijk verkort.

Pedro Jiménez-González, Miguel C. Soriano, Lucas LacasaTue, 10 Ma🤖 cs.LG

A Thermodynamic Structure of Asymptotic Inference

Dit paper ontwikkelt een thermodynamisch raamwerk voor asymptotische inferentie waarin Shannon-informatie als entropie fungeert, waardoor fundamentele grenzen aan informatie-efficiëntie worden afgeleid en verbanden met bestaande stochastische identiteiten als projecties van een onderliggende structuur worden onthuld.

Willy WongTue, 10 Ma🔬 physics

GNN For Muon Particle Momentum estimation

Dit artikel toont aan dat Graph Neural Networks (GNNs) de traditionele TabNet-modellen overtreffen bij het schatten van het impuls van muonpartikels in het CMS-experiment, waarbij de dimensie van de knoopkenmerken een cruciale rol speelt voor de efficiëntie.

Vishak K Bhat, Eric A. F. Reinhardt, Sergei GleyzerTue, 10 Ma🤖 cs.LG

Learning the Standard Model Manifold: Bayesian Latent Diffusion for Collider Anomaly Detection

Deze paper introduceert een op Bayesiaanse latente diffusie gebaseerd, fysisch geïnformeerd raamwerk voor anomaliedetectie in colliderdata dat door het combineren van probabilische codering, diffusiedynamiek en fysische constraints stabiele dichtheidsschattingen en betrouwbare zoektochten naar nieuwe fysica mogelijk maakt.

Jigar Patel, Tommaso DorigoTue, 10 Ma🔬 physics

Experimentally Resolving Gravity-Capillary Wave Evolution in Vessels of Unknown Boundary Conditions

Dit artikel introduceert Extracted Mode Tracking (EMT), een datamethodiek die met behulp van ongesuperviseerde machine learning onbekende randvoorwaarden omzeilt om de evolutie van zwaartekracht-kapillaire golven in onbekende vaten direct uit experimentele data te analyseren en zo niet-lineaire golf-dynamica in axiaal-symmetrische systemen in kaart te brengen.

Sean M. D. Gregory, Vitor S. Barroso, Silvia Schiattarella, Anastasios Avgoustidis, Silke WeinfurtnerTue, 10 Ma🔬 physics

Universal electronic manifolds for extrapolative alloy discovery

Deze studie introduceert een computerefficiënt raamwerk dat gebruikmaakt van niet-interagerende elektronendichtheid en Bayesiaans actief leren om refractaire hoog-entropie legeringen te ontdekken en nauwkeurige, zero-shot extrapolaties mogelijk te maken voor nieuwe chemische samenstellingen met minimale trainingsdata.

Pranoy Ray, Sayan Bhowmik, Phanish Suryanarayana, Surya R. Kalidindi, Andrew J. MedfordTue, 10 Ma🔬 cond-mat.mtrl-sci

Pseudo-Coherence and Stochastic Synchronization: A Non-Normal Route to Collective Dynamics without Oscillators

Deze paper introduceert 'pseudo-coherentie' als een nieuw mechanisme waarbij niet-normale stochastische versterking in lineair stabiele systemen zonder intrinsieke oscillatoren leidt tot collectieve, synchronisatie-achtige tijdsorganisatie.

V. Troude, D. SornetteTue, 10 Ma🔬 physics

Turning Time Series into Algebraic Equations: Symbolic Machine Learning for Interpretable Modeling of Chaotic Time Series

Dit artikel introduceert twee symbolische machine learning-methoden, SyNF en SyTF, die interpreteerbare algebraïsche vergelijkingen leren uit chaotische tijdreeksen om zowel nauwkeurige voorspellingen te maken als inzicht te geven in de onderliggende dynamica.

Madhurima Panja, Grace Younes, Tanujit ChakrabortyTue, 10 Ma🤖 cs.LG

Dissecting Spectral Granger Causality through Partial Information Decomposition

Dit artikel introduceert de Partial Decomposition of Granger Causality (PDGC), een methode die gebruikmaakt van partiële informatiedecompositie om redundante en synergetische causale interacties in fysiologische netwerken te ontrafelen, wat leidt tot nieuwe inzichten in de autonome dysfunctie bij patiënten met neuraal gemedieerde syncope.

Luca Faes, Gorana Mijatovic, Riccardo Pernice, Daniele Marinazzo, Sebastiano Stramaglia, Yuri AntonacciTue, 10 Ma🔬 physics

Adaptive Entropy-Driven Sensor Selection in a Camera-LiDAR Particle Filter for Single-Vessel Tracking

Dit artikel presenteert een adaptieve, entropie-gedreven sensorselectiemethode binnen een camera-LiDAR deeltjesfilter voor robuuste tracking van een enkel vaartuig, die in een realistische maritieme testomgeving in Cyprus een gunstige afweging tussen nauwkeurigheid en continuïteit bereikt door dynamisch te schakelen tussen sensormodi op basis van informatiewinst.

Andrei Starodubov, Yaqub Aris Prabowo, Andreas Hadjipieris, Ioannis Kyriakides, Roberto GaleazziTue, 10 Ma🤖 cs.LG

Probabilistic Analysis of Event-Mode Experimental Data

Dit artikel introduceert een nieuwe methode voor het analyseren van neutronenverstrooiingsdata zonder histogrammen of least-squares-fitting, wat leidt tot nauwkeurigere parameters en grotere efficiëntie ten koste van een minder intuïtieve aanpak en langere rekentijd.

Phillip M. Bentley, Thomas H. RodThu, 12 Ma🔬 physics

Maximum entropy temporal networks

Deze paper introduceert een maximum-entropie-aanpak voor tijdsafhankelijke netwerken die een modulaire representatie biedt door tijdsprocessen en statische koppelingskansen te scheiden, waardoor gesloten vormen voor log-waarschijnlijkheid en verwachte netwerkstatistieken worden verkregen via intensiteiten van niet-homogene Poisson-processen.

Paolo BaruccaThu, 12 Ma🔬 physics

Estimating Detector Error Models on Google's Willow

Dit artikel presenteert geavanceerde algoritmen voor het schatten van detectorfoutmodellen (DEM) uit syndromen op Google's Willow-chips, waarmee nauwkeurige foutkarakterisering, het detecteren van langeafstands-correlaties en het identificeren van onverklaarbare artefacten zoals stralingsgebeurtenissen mogelijk wordt gemaakt.

Kregg Elliot Arms, Martin James McHugh, Joseph Edward Nyhan, William Frederick Reus, James Loudon UlrichThu, 12 Ma⚛️ quant-ph

Bayesian Hierarchical Models and the Maximum Entropy Principle

Dit artikel toont aan dat wanneer de prior in een Bayesiaans hiërarchisch model een canonieke verdeling is, de resulterende afhankelijke marginale prior ook een maximum-entropie-eigenschap bezit, maar dan met een andere constraint op de marginale verdeling van een functie van de onbekende grootheden.

Brendon J. BrewerThu, 12 Ma📊 stat

A mapping-based projection of detailed kinetics uncertainty onto reduced manifolds

Dit artikel presenteert een schaalbaar tweestapskader dat onzekerheden in gedetailleerde chemische reactiesnelheden efficiënt projecteert op gereduceerde manifolds om ruimtelijk opgeloste onzekerheidskwantificering mogelijk te maken voor complexe verbrandingsstromingen.

Vansh Sharma, Shuzhi Zhang, Rahul Jain, Venkat RamanThu, 12 Ma🔬 physics

Symbolic Higher-Order Analysis of Multivariate Time Series

Deze paper introduceert een methode die multivariate tijdsreeksen omzet in symbolische sequenties en via een Bayesiaanse aanpak statistisch significante patronen identificeert als hyperkanten in een hypergraaf, waardoor hogere-orde interacties in complexe systemen zoals neurale en sociale netwerken effectief kunnen worden geanalyseerd.

Andrea Civilini, Fabrizio de Vico Fallani, Vito LatoraMon, 09 Ma🔬 physics.app-ph

Large Language Models -- the Future of Fundamental Physics?

Deze paper toont aan dat het gebruik van de Qwen2.5 Large Language Model, gecombineerd met connector-netwerken, superieur presteert in het analyseren en genereren van SKA-gegevens voor kosmologische toepassingen vergeleken met standaardinitialisaties en gespecialiseerde netwerken.

Caroline Heneka, Florian Nieser, Ayodele Ore, Tilman Plehn, Daniel SchillerMon, 09 Ma⚛️ hep-ph

Position-Sensitive Silicon Photomultiplier Array with Enhanced Position Reconstruction by means of a Deep Neural Network

In dit artikel wordt aangetoond dat het toepassen van een diep neuronaal netwerk op een 2x2-array van lineair-gegradeerde SiPM's de positie-resolutie en lineariteit aanzienlijk verbetert en het aantal oplosbare pixels met een factor 5,7 tot 12,1 vergroot ten opzichte van de traditionele reconstructiemethode.

Cyril Alispach, Fabio Acerbi, Hossein Arabi, Domenico della Volpe, Alberto Gola, Aramis Raiola, Habib ZaidiMon, 09 Ma🔬 physics

Optimization-based Unfolding in High-Energy Physics

Dit artikel introduceert QUnfold, een open-source Python-pakket dat het ontrafelen van detectorvervormde data in de deeltjesfysica formuleert als een kwadratisch optimalisatieprobleem, waardoor zowel klassieke als quantum-oplossers kunnen worden ingezet voor nauwkeurige reconstructie van ware fysische verdelingen.

Simone Gasperini, Gianluca Bianco, Marco Lorusso, Carla Rieger, Michele GrossiMon, 09 Ma⚛️ quant-ph