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 introduceert een robuust en flexibel raamwerk voor het kwantificeren van de chiraliteit van verdelingen door middel van een nieuwe familie van chirale maten, gebaseerd op tensoriële momenten en een gedefinieerd kruis- en driepuntsproduct, die zowel voor theoretische modellen als fysische toepassingen zoals foto-ionisatie kunnen worden gebruikt.
Deze studie toont aan dat de amplitudestatistieken van micro-elektrode-opnames tijdens diepe hersenstimulatie bij Parkinson-patiënten worden beschreven door q-Gaussische verdelingen die wijzen op langdurige correlaties, waarbij de specifieke koppelingsfunctie tussen de parameters q en β een signatuur vormt van nabije-kriticiteit in het parkinsoniaanse hersenstelsel.
Dit paper introduceert de Spectral Pattern Translator (SPT), een op natuurkunde gebaseerd deep learning-framework dat het inverse probleem van röntgenabsorptiespectroscopie oplost door spectra om te zetten in structurele beschrijvingen, waardoor het mogelijk wordt om atomaire configuraties in niet-kristallijne en dynamische omgevingen snel en nauwkeurig te analyseren voor autonoom materiaalontwerp.
Dit paper toont aan dat Matrix Product Operator (MPO) decompositie een effectieve en theoretisch onderbouwde methode is om Transformer-taalmodellen zoals PicoGPT aanzienlijk te comprimeren, waarbij bij een bond dimension van 16 tot 19x parameterreductie wordt bereikt met slechts een minimale daling in token-accuraatheid.
Deze studie toont aan dat informatieverspreiding op sociale netwerken niet willekeurig verloopt, maar specifieke patronen volgt die worden beschreven door twee preferentiële modellen, waarbij nieuws en politieke hashtags zich voortplanten via vaste paden die afhangen van het contenttype.
Dit artikel presenteert twee machine learning-benaderingen, namelijk Graph Neural Networks en Vision Transformers, om de reconstructie van geladen deeltjes in het ATLAS Muon Spectrometer te versnellen en robuuster te maken voor de toekomstige High-Luminosity LHC-fase.
Dit artikel presenteert een Bayesiaanse methode die mengsels van Gaussian process-experts gebruikt om absorptiespectrummetingen te modelleren, waardoor flexibele interpolatie en extrapolatie mogelijk zijn voor de statistische schatting van complexe brekingsindices en de automatische selectie van meetpunten, wat wordt gevalideerd op experimentele data van galliumarsenide, kaliumchloride en transparant hout.
Dit artikel introduceert het AutoDQM-systeem, dat geavanceerde statistische methoden en onbewaakte machine learning gebruikt om datakwaliteit in de CMS-detector te bewaken en anomalieën tot zes keer effectiever te detecteren dan traditionele methoden.
Deze studie toont aan dat de ernst van Australische brandweeromstandigheden tussen 1876 en 2011 over het algemeen is toegenomen, waarbij stijgende temperaturen en dalende luchtvochtigheid door menselijke klimaatverandering de belangrijkste oorzaken zijn.
Dit artikel demonstreert hoe machine learning-technieken kunnen worden gebruikt om de optimale marginalisatie van energie-correlatoren te vinden voor precisiemetingen, waarbij wordt vastgesteld dat rechthoekige driehoeken de meest gevoelige observabelen zijn voor het bepalen van de top-quark massa.