334 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 presenteert een GPU-versnelde Sequential Monte Carlo-methode die de Bayesiaanse spectrale analyse aanzienlijk versnelt (met meer dan 500x) en zo een praktische oplossing biedt voor de complexe modelselectie en parameterbepaling in grote spectrale datasets.
Dit overzichtsonderzoek verkent hoe geavanceerde kunstmatige intelligentie-methoden de koppeling tussen de verschillende aardse systemen kunnen versterken, waardoor langdurige beperkingen in meercomponentenmodellen worden aangepakt en de weg wordt vrijgemaakt voor coherente, geïntegreerde aardwetenschappelijke kaders.
Dit paper introduceert PATHFINDER, een nieuw raamwerk voor autonome microscopie dat door het combineren van innovatie-gedreven exploratie en optimalisatie in structuur-, spectrum- en meetruimtes, voorkomt dat experimenten voortijdig vastlopen op één oplossing en in plaats daarvan diverse, wetenschappelijk waardevolle toestanden ontdekt.
Deze studie toont aan dat probabilistische neurale netwerken Gaussian-processen kunnen vervangen bij de Bayesiaanse inferentie van het gravitatiegolvenachtergrondsignaal in pulsartimingarrays, waarbij ze consistente posterieuren leveren met aanzienlijk kortere trainings- en rekentijden.
Onderzoek toont aan dat heterogeniteit in zoekstrategieën binnen een zwerm de efficiëntie van geurlocatie in turbulente omgevingen verbetert door de schadelijke effecten van ruimtelijke correlaties in het signaal te mitigeren.
Dit artikel generaliseert bestaande modellen voor grootte-gestructureerde populaties met fluctuaties door de Feynman-Kac-formule te gebruiken om voorwaarden af te leiden waaronder interne variabelen ontkoppelen van celgrootte, wat leidt tot een transformatie naar een homogene groeiproces en een veralgemeende interpretatie van getilde verwachtingen.
Dit artikel introduceert Neuraal Posterior Schatten (NPE) als een schaalbaar en nauwkeurig alternatief voor Bayesiaanse kalibratie om de interne toestand van Li-ion-batterijen in real-time te diagnosticeren, waarbij de rekenlast wordt verplaatst naar het trainingsstadium en de methode wordt gevalideerd op experimentele snellaaddata.
Dit artikel introduceert een nieuwe methode voor het modelleren van achtergronden in de deeltjesfysica op basis van Log-Gaussische Cox-processen, die minimale aannames vereist over de onderliggende vorm en gebruikmaakt van Markov Chain Monte Carlo voor optimalisatie.
Dit artikel bespreekt de beperkingen van het visualiseren van gecorreleerde onzekerheden in data-plots en stelt methoden voor om de overeenstemming tussen data en modellen beter te beoordelen door de bijdrage van de eerste hoofdcomponent en conditionele onzekerheden expliciet weer te geven.
Het artikel introduceert JetPrism, een diagnoseframework dat aantoont dat de standaard trainingsverliesfunctie van Conditional Flow Matching onbetrouwbaar is voor het beoordelen van convergentie in nucleaire fysica, en pleit voor een protocol met domeinspecifieke, fysisch geïnformeerde metrieken om de nauwkeurigheid van generatieve simulaties en inverse problemen te waarborgen.