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 geavanceerd convolutioneel neuronaal netwerk (A-CNN) dat, getest op simulatie- en kalibratiegegevens van XENONnT, de achtergrondruis bij het zoeken naar neutrinoloze dubbel-bèta-verval in vloeibare xenon-detectors met meer dan 60% reduceert en zo de gevoeligheid van toekomstige experimenten aanzienlijk verbetert.
Dit artikel toont aan dat gamma-verdelingen, in plaats van Gaussische verdelingen, universeel ontstaan uit de theorie van grote afwijkingen wanneer Padé-benaderingen worden gebruikt om positiviteitsbeperkingen te respecteren, waardoor een mechanismevrije verklaring wordt geboden voor hun alomtegenwoordigheid in systemen met positieve variabelen.
Dit artikel onderzoekt onverwachte afwijkingen in CMS-data die door het OmniLearned-fundamentale model werden geïdentificeerd, waarbij bleek dat de achtergrondschatting weliswaar in validatiegebieden goed werkt maar in het signaalgebied tekortschiet, wat leidt tot een uitnodiging voor verdere analyse van deze gebeurtenissen en methoden.
Dit artikel introduceert de Ising-ruisfilter, een fysica-informeerde, grafgebaseerde algoritme dat de combinatorische explosie van traditionele methoden omzeilt door detectorhits af te beelden op een netwerk van binaire spins, wat resulteert in een aanzienlijke verbetering van ruisreductie en spoorherkenning in deeltjesdetectoren zoals Baikal-GVD en de SPD.
Dit artikel presenteert een datagedreven LSTM-surrrogaatmodel dat, ongeacht de bron van de golf- en bewegingstijdreeksen, niet-lineaire causale relaties leert om zowel parametrisch rollen als de bijbehorende statistische verschuivingen in het schipsgedrag nauwkeurig te reproduceren.
Dit onderzoek presenteert een machine learning-benadering met de nieuwe FloTS-methode om atmosferische turbulentie tot twee uur van tevoren te voorspellen, waarbij deze probabilistische model de beste balans biedt tussen voorspellingsnauwkeurigheid en het kwantificeren van onzekerheid.
Deze studie presenteert een nieuwe aanpak voor het classificeren van spoor- en stortingsachtige topologieën in LArTPC-neutrino-experimenten met behulp van quantum-machine learning en symmetrieën, waarbij gebleken is dat hoewel quantum-modellen beter presteren dan hun klassieke tegenhangers met een vergelijkbaar aantal parameters, ze worden ingehaald door klassieke modellen met veel meer parameters.
In dit artikel wordt een nieuw likelihood-vrij raamwerk gepresenteerd dat Flow Matching en simulatiegebaseerde inferentie combineert om via de dynamische geheugen van de GD-1-stroming gelijktijdig de parameters van de oorspronkelijke sterrenhoop en het zwaartekrachtsveld van de Melkweg af te leiden.
Op basis van drie jaar aan hoogwaardige trajectdata in een druk station toont dit onderzoek aan dat voorbijgangers elkaar, zelfs zonder sociale banden, vaak onbewust imiteren bij routekeuzes, wat leidt tot 'avalanches' van identieke beslissingen die de collectieve menigtedynamiek sterk bepalen.
Dit artikel introduceert een trainingsvrije, analytische voorspellingsoperator voor cyclische energieprocessen die, door gebruik te maken van tijdsymmetrie en lokale correlatie, een significant nauwkeuriger alternatief biedt voor klassieke persistentiemodellen bij het voorspellen van periodiek variërende grootheden zoals zonnestraling en wind.