261 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 statistische theorie die aantoont hoe de vervalgeometrie van het effectieve leervermogen en zwaarstaartige gradiëntruis samen de maximale tijdschaal bepalen waarop terugkerende neurale netwerken met poortmechanismen structurele afhankelijkheden kunnen leren.
Dit artikel analyseert de helderheidsvariaties van komeet 17P/Holmes tussen 1892 en 2021 om de grootteverdeling en totale massa van het bij uitbarstingen uitgestoten materiaal te kwantificeren, waardoor fysiek onderbouwde randvoorwaarden worden gecreëerd voor het modelleren van de lange-termijnevolutie van stofsporen en meteorietstromen.
Dit artikel introduceert een niet-invasieve methode die gebruikmaakt van lichtverstrooiing en een neurale autoencoder met isometrische straffen om de 3D-vorm van transparante, vervormde vellen in stroming nauwkeurig te reconstrueren.
Deze studie introduceert een Bayesiaans protocol dat neutronbronnen met hoge statistische significantie identificeert door volledige spectrale template-matching en probabilistische bewijsbeoordeling toe te passen op terugstoot- en tijd-vlucht spectroscopie-data.
Deze studie introduceert een geoptimaliseerd protocol waarbij kunstmatige neurale netwerken worden gebruikt om op basis van fractuurpatronen van gedroogde zetmeel-suspensies het oorspronkelijke oplosmiddel, zelfs na volledige verdamping, met een nauwkeurigheid van ongeveer 96% te identificeren.
Dit artikel introduceert \texttt{py5vec}, een modulaire Python-pakket voor het uitvoeren en uitbreiden van de 5-vector-methode voor het zoeken naar continue gravitatiegolven, inclusief een nieuwe t-likelihood, Bayesian parameter schatting en validatie met LIGO-data.
Dit artikel presenteert voorspellingen voor de beperkingen op kosmologische parameters door middel van een nieuwe 'learned binning'-methode, waarbij wordt vastgesteld dat wavelet-statistieken (WST en WPH) vergelijkbaar zijn met of aanzienlijk beter presteren dan traditionele hoekvermogensspectra () voor CMB-lensing en kruis-correlaties met zwakke lensing.
Deze paper introduceert een robuust deep-learningkader op basis van een 1D-CNN dat de analyse van optisch gedetecteerde magnetische resonantie (ODMR) bij stikstof-leegtecentra in diamant versnelt en verbetert, waardoor real-time kwantumsensoren mogelijk worden die zelfs bij lage signaal-ruisverhoudingen nauwkeurige parameters kunnen afleiden.
Deze bijdrage vat recente ontwikkelingen samen in het gebruik van geavanceerde kunstmatige intelligentie-algoritmen, zoals grafische neurale netwerken en transformers, voor het classificeren van hadronische objecten in het ATLAS-experiment en bespreekt hun prestaties en toekomstige perspectieven.
Deze paper introduceert 'Randomly Modulated Gaussian Processes' als een unificerend raamwerk voor het modelleren, analyseren en classificeren van anormale diffusie in heterogene media, waarbij bestaande modellen worden gegeneraliseerd en nieuwe statistische criteria voor experimentele classificatie worden geleverd.