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.
Deze paper introduceert een algebraïsche filtermethode die symmetrie-voorwaarden omzet in lineaire kernvergelijkingen om een volledig en systematisch zoekruimte van toegestane termen voor continuümvergelijkingen te genereren, wat de data-gedreven ontdekking van fysische wetten aanzienlijk versnelt.
Dit onderzoek onthult hoe synaptische en extrasynaptische signalering in *C. elegans* complementaire architecturen vormen die samen functionele specialisatie en multiplex-organisatie mogelijk maken voor snelle sensorimotorische verwerking, modulaire regulatie, robuustheid en homeostase.
Het artikel introduceert QuantumXCT, een hybride quantum-klasse generatief model dat cellulaire communicatie in kaart brengt door interactie-geïnduceerde transformaties van celstaten te leren via quantumverstrengeling, waardoor nieuwe inzichten in signaalnetwerken mogelijk worden zonder afhankelijkheid van vooraf gedefinieerde receptordatabases.
Dit paper introduceert een Template-Adapted Mixture Model dat vele biased simulaties combineert om de signaalfraction in deeltjesfysica nauwkeuriger en met goed gekalibreerde onzekerheden te schatten, ondanks mismodeling tussen simulatie en realiteit.
Dit onderzoek toont aan dat schaal-invariante dynamiek kan ontstaan in zuiver deterministische systemen door de analyse van de logistische Game of Life, waarin drie asymptotische fasen en twee kritieke overgangen met onconventionele exponenten worden geïdentificeerd.
Deze paper introduceert een methode om niet-lineaire interacties in complexe, door ruis geteisterde systemen te kwantificeren op basis van statische snapshot-observaties en gedeeltelijke netwerkinformatie, waardoor een globaal onoplosbaar probleem wordt omgezet in een reeks oplosbare inferentieproblemen.
Dit artikel presenteert actieve leer-emulators voor nucleaire tweelichamsspreiding in impulsruimte, die op basis van de Lippmann-Schwinger-vergelijking en gereduceerde orde-modellen nauwkeurige voorspellingen van faseverschuivingen en cross-sections mogelijk maken met gekwantificeerde fouten voor toekomstige Bayesiaanse kalibraties van nucleaire interacties.
Dit artikel introduceert een door Quantum Electrodynamica geïnspireerd, niet-lokaal epidemiologisch model dat de Doi-Peliti-formaliteit gebruikt om superdiffusie en ruimtelijke afscherming te beschrijven, en dat bij toepassing op COVID-19-gegevens uit Duitsland een week vooruitlopende voorspellingscapaciteit voor uitbraken aantoont.
Deze studie presenteert een uniforme asteroseismische catalogus van 19.151 rode reuzen in de TESS-continuobservatiezones, waarbij met behulp van data van jaren 1 tot 7 nauwkeurige stellar parameters werden bepaald die de kennis over de Galactische structuur en evolutie aanzienlijk uitbreiden.
Dit paper introduceert BuSyNet, een diep leernetwerk dat dimensie-consistente symplectische transformaties combineert om compacte, interpreteerbare symbolische Hamiltoniaanse uitdrukkingen te ontdekken die de energiebehoud en symplectische geometrie van fysische systemen nauwkeuriger en stabieler modelleren dan bestaande methoden.