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.
Het artikel introduceert VecAmpFit, een nieuwe vectoriserde bibliotheek voor meerdimensionale amplitude-analyses die is ontwikkeld voor het Belle II-experiment en ondersteuning biedt voor gelijktijdige fitting van meerdere datasets met expliciete gradiëntberekening.
Deze studie presenteert een op grondtoestanden getrainde deep-learning autoencoder die de faseovergang van het 3D-Ising-model succesvol detecteert en kritieke parameters zoals de kritieke temperatuur en de correlatielengte-exponent nauwkeurig herleidt zonder voorafgaande kennis van het systeem.
In dit artikel wordt een complexenetwerkframework voorgesteld dat tijdsreeksen met onregelmatige gebeurtenissen omzet in netwerken om individuele clusters te identificeren en te analyseren, waardoor lokale dynamiek en tijdschalen worden onthuld die door traditionele globale methoden vaak worden gemist.
Dit artikel introduceert \texttt{alabi}, een open-source Python-pakket dat actieve learning en Gaussian Process-surrogaten combineert om Bayesiaanse inferentie voor rekenintensieve modellen aanzienlijk te versnellen door het aantal noodzakelijke modelevaluaties met factoren van duizenden te verminderen.
Dit artikel toont aan dat de Particle Transformer (ParT) voor jet-flavor tagging bij Higgs-fabrieken, gebruikmakend van ILD-simulatiegegevens en uitgebreide deeltjesidentificatie, een prestatieverbetering van factor 5 tot 10 bereikt ten opzichte van eerdere BDT-methoden, met name voor het onderscheiden van b- en c-jets.
Dit artikel introduceert een methode gebaseerd op de adaptieve LASSO die tijdreeksdata analyseert om onderscheid te maken tussen paarsgewijze en hogere-orde interacties in gekoppelde oscillatoren, en bewijst dat deze aanpak superieur is aan bestaande methoden bij het reconstrueren van interactienetwerken in zowel synthetische als biologische datasets.
Dit artikel beschrijft hoe een machine learning-model, getraind op nieuwe parameters genaamd 'magnitude rates' en gebaseerd op de Random Forest-algoritme, de vroege classificatie van zeldzame Ic-BL-supernova's aanzienlijk verbetert en de kwaliteit van de verzamelde data verhoogt.
Dit artikel introduceert een quantum-geïnspireerd algoritme dat tensornetwerken gebruikt om de discrete Laplace-transformatie efficiënt te berekenen door een niet-unitaire dempingsoperatie te combineren met een Quantum Fourier-transformatie, waardoor simulaties mogelijk zijn met tot datapunten.
Dit paper introduceert een op Bayesiaanse optimalisatie gebaseerde strategie voor het automatisch bepalen van het eindmoment van inelastische neutronenverstrooiingsexperimenten, waarbij de bin-breedte wordt geoptimaliseerd om de meettijd te verkorten zonder de resolutie te schaden.
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.