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 introduceert QUnfold, een open-source Python-pakket dat het ontrafelen van detectorvervormde data in de deeltjesfysica formuleert als een kwadratisch optimalisatieprobleem, waardoor zowel klassieke als quantum-oplossers kunnen worden ingezet voor nauwkeurige reconstructie van ware fysische verdelingen.
Dit artikel introduceert TRec, een fysica-informeerde framework voor muonverstrooiingstomografie dat de integriteit van verzegelde microreactorkernen kan verifiëren en het ontbreken van brandstof met hoge nauwkeurigheid detecteert door gebruik te maken van momentummetingen en Bayesian-updating.
Dit tutorialpapier introduceert een Bayesiaanse methode voor het kwantificeren van onzekerheid in lineaire schokcompressiedata, waarmee meerdere consistente Hugoniot-curves kunnen worden gegenereerd die robuuster en interpreteerbaarder zijn dan traditionele least-squares- of bootstrapping-benaderingen.
Dit artikel introduceert Noise2Ghost, een zelftoezichtende diepe leer-methode voor ghost imaging die ongeëvenaarde reconstructiekwaliteit biedt bij ruisige data zonder behoefte aan schone referentiebeelden, waardoor het ideaal is voor toepassingen in lage-lichtscenario's zoals röntgenfluorescentie-imaging van gevoelige biologische en batterijmonsters.
Deze studie introduceert een fysisch ingebedde Bayesiaanse neurale netwerkframework (PE-BNN) dat kernfysische kennis integreert om energie-afhankelijke opbrengsten van splijtingsproducten met fijne structuur nauwkeurig te voorspellen.
Dit artikel introduceert Structured Kolmogorov-Arnold Neural ODEs (SKANODEs), een framework dat Kolmogorov-Arnold-netwerken integreert in neurale ODE's om zowel nauwkeurige voorspellingen als interpreteerbare symbolische vergelijkingen voor niet-lineaire dynamische systemen te genereren, zoals aangetoond op oscillatoren en F-16-vibratiedata.
In dit artikel wordt aangetoond dat het toepassen van een diep neuronaal netwerk op een 2x2-array van lineair-gegradeerde SiPM's de positie-resolutie en lineariteit aanzienlijk verbetert en het aantal oplosbare pixels met een factor 5,7 tot 12,1 vergroot ten opzichte van de traditionele reconstructiemethode.
Deze studie toont aan dat het gebruik van sonificatie en visualisatie van multifrequente lichtkrommen een krachtige en inclusieve methode biedt om de variabiliteit en patronen van blazars te analyseren.
Dit artikel analyseert de discrepantie tussen tijd-continu en tijd-discreet operationele Ising-machines en presenteert een experimenteel gevalideerde methode om de gevoeligheid voor hyperparameters in meet-feedback-architecturen te verminderen.
Deze studie toont aan dat het modelleren van de S&P500-marktcorrelatie met een veralgemeende Langevin-vergelijking die geheugeneffecten en een verborgen langzame tijdschaal omvat, de voorspellingsnauwkeurigheid verbetert en lokale marktstabiliteit bevestigt.