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 onderzoekt de toepassing van Dynamic Mode Decomposition (DMD) voor experimentele modale analyse van lineaire mechanische systemen, waarbij wordt aangetoond dat de methode, ondanks gevoeligheid voor grote meetfouten, modale parameters nauwkeurig kan extraheren die vergelijkbaar zijn met die van bestaande methoden.
Dit artikel toont aan dat een enkele ensemble van willekeurige overdrachtsmatrix-producten een verenigde realisatie biedt van de canonieke fluctuatiewetten voor gerichte polymeren in (1+1)-dimensies, waarbij verschillende meetkundige configuraties (zoals punt-naar-punt en punt-naar-lijn) worden hergeproduceerd als projecties van dezelfde matrix, terwijl nieuwe observables zoals de leidende eigenwaarde afwijkende statistieken vertonen die buiten de traditionele Tracy-Widom-classes vallen.
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.
Dit artikel toont aan dat bij de integer quantum Hall-overgang in open systemen de maximale golf-functie-amplitude kan worden ontbonden in een log-normale 'gain'-factor en een intrinsiek extreem component, waarbij de genormaliseerde extreme waarden een robuuste maat vormen voor gekorreleerde criticaliteit.
Dit artikel biedt een wiskundige theorie die aantoont dat abstracte representaties van latente variabelen in de verborgen lagen van voorgevoede niet-lineaire neurale netwerken gegarandeerd ontstaan wanneer deze worden getraind op taken die direct van die variabelen afhangen, wat een verklaring biedt voor het verschijnsel dat ook in biologische hersenen wordt waargenomen.
Dit artikel presenteert een gemodificeerde verstrooiingskruisdoorsnede die de Pryce-Ward-statistiek voor verstrengelde annihilatiefotonen reconcileert met de Klein-Nishina-statistiek voor individuele fotonen in semi-klassieke simulaties, ondanks de rotatie-invariantie van de singlettoestand die de definitie van individuele polarisatiehoeken onmogelijk maakt.
Dit artikel introduceert MorphZ, een post-processing methode die posterior steekproeven gebruikt om via de Morph-benadering en optimal bridge sampling nauwkeurige en kostenefficiënte schattingen van de marginale waarschijnlijkheid te genereren voor diverse statistische en astrofysische modellen.
Deze paper introduceert een trajectgebaseerde Koopman-methode voor zeewatertemperatuur die jaarlijkse trajecten via een signatuurkernel omhoogt om geheimeffecten te modelleren, waardoor de voorspellingskwaliteit en spectrale analyse van de dynamiek ten opzichte van een klimaatbasiswaarde aanzienlijk verbeteren.
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.