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 biedt een overzicht van de recente vooruitgang en trends in patroonherkenning en data-analyse voor RICH-detectors, waarbij zowel traditionele methoden als moderne machinelearningtechnieken voor reconstructie en simulatie worden besproken.
Deze studie presenteert globaal geïnverteerde druk-temperatuurfasediagrammen tot 5.000 GPa voor de planetaire materialen Fe, MgO, SiO2 en MgSiO3, die met behulp van logistische regressie en supervised learning zijn afgeleid om langdurige geschillen over hun smeltkrommes op te lossen en de interne structuurmodellen van reuzenplaneten en super-aarden te verfijnen.
Dit artikel introduceert een informatie-theoretische methode om geheugeneffecten in discrete stochastische processen te kwantificeren, die wordt toegepast op neerslagdata in de Verenigde Staten om te aantonen dat dagelijkse regenval goed wordt beschreven door lage-orde Markov-ketens met regionale en seizoensgebonden variaties.
Deze paper introduceert ionentelling-gestuurde microscopie (ICAM), een kwantitatieve beeldvormingstechniek die door statistisch onderbouwde schatting van secundaire elektronenopbrengst de bron-schotruis aanzienlijk vermindert, waardoor de dosis voor kwetsbare monsters met een factor drie kan worden verlaagd.
Deze paper introduceert een maximum-entropie-aanpak voor tijdsafhankelijke netwerken die een modulaire representatie biedt door tijdsprocessen en statische koppelingskansen te scheiden, waardoor gesloten vormen voor log-waarschijnlijkheid en verwachte netwerkstatistieken worden verkregen via intensiteiten van niet-homogene Poisson-processen.
Deze studie introduceert een computerefficiënt raamwerk dat gebruikmaakt van niet-interagerende elektronendichtheid en Bayesiaans actief leren om refractaire hoog-entropie legeringen te ontdekken en nauwkeurige, zero-shot extrapolaties mogelijk te maken voor nieuwe chemische samenstellingen met minimale trainingsdata.
Deze paper introduceert 'pseudo-coherentie' als een nieuw mechanisme waarbij niet-normale stochastische versterking in lineair stabiele systemen zonder intrinsieke oscillatoren leidt tot collectieve, synchronisatie-achtige tijdsorganisatie.
Dit artikel introduceert twee symbolische machine learning-methoden, SyNF en SyTF, die interpreteerbare algebraïsche vergelijkingen leren uit chaotische tijdreeksen om zowel nauwkeurige voorspellingen te maken als inzicht te geven in de onderliggende dynamica.
Dit artikel introduceert de Partial Decomposition of Granger Causality (PDGC), een methode die gebruikmaakt van partiële informatiedecompositie om redundante en synergetische causale interacties in fysiologische netwerken te ontrafelen, wat leidt tot nieuwe inzichten in de autonome dysfunctie bij patiënten met neuraal gemedieerde syncope.
Deze paper presenteert een schaalbaar heterogeen grafisch neuraal netwerk dat gebruikmaakt van een multi-task leerparadigma om de reconstructie van deeltjesbotsingen bij de LHC te verbeteren door tegelijkertijd vertexassociatie en grafpruning in één raamwerk uit te voeren.