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 Dara, een geautomatiseerd raamwerk dat door middel van een uitgebreide boomzoektocht en Rietveld-verfijning meerdere hypothesen voor fase-identificatie genereert uit poeder-XRD-data, waardoor de interpretatie van complexe kristallijne materialen betrouwbaarder en schaalbaarder wordt.
Dit artikel presenteert een Bayesiaanse schattingmethode voor synchrotronstralingsgebaseerde Mössbaur-spectroscopie die de meetprecisie van spectrale posities met meer dan een factor drie verbetert ten opzichte van conventionele Lorentzian-passing door de meetwindow geoptimaliseerd te selecteren op basis van de data.
Dit paper introduceert 'Assimilative Causal Inference' (ACI), een raamwerk dat Bayesiaanse data-assimilatie gebruikt om oorzaken achterwaarts te traceren in complexe systemen, waardoor dynamische, tijdsafhankelijke causale relaties en hun reikwijdte ook bij korte datasets en zonder observatie van de oorzaken zelf kunnen worden geïdentificeerd.
Deze paper introduceert een nieuwe methode voor geamortiseerde inferentie van multi-modale posterieuren met behulp van likelihood-gewogen normalizing flows, waarbij wordt aangetoond dat het initialiseren van de stroom met een Gaussian Mixture Model essentieel is om de topologie van de doelverdeling correct te vangen en kunstmatige verbindingen tussen gescheiden modi te voorkomen.
Dit artikel introduceert een rekenkundig efficiënt en schaalbaar CNN-gebaseerd model, gebaseerd op de EfficientNet-architectuur en globale jet-kenmerken, dat concurrerende prestaties bereikt bij het taggen van top-quark-jets zonder de zware rekenlast van Transformer- of Graph Neural Networks.
Dit artikel introduceert een robuuste, op Bayesiaanse statistiek gebaseerde methode voor het wegen van inconsistente datasets door onzekerheden als ondergrenzen te behandelen, wat resulteert in een betrouwbaardere analyse van uitbijters en een bijbehorende Python-bibliotheek.
Dit artikel introduceert een nieuw hyperbolisch inbeddingsframework voor multilayernetwerken dat, in tegenstelling tot bestaande methoden, zowel de interne laagstructuur als de globale multilayernetwerkarchitectuur behoudt, waardoor het effectief is voor het analyseren van complexe systemen met heterogene knopen, zoals aangetoond op synthetische modellen en hersennetwerken.
Dit artikel presenteert GollumFit, een open-source framework dat is ontworpen voor tijdsefficiënte binned-likelihood analyses van neutrino-telescoopdata, met name voor de IceCube-observator, en dat in staat is om complexe modellen met tientallen nuisance-parameters te fitten.
Dit artikel biedt een praktische leidraad met aanbevelingen en overwegingen voor het toepassen van machine learning-technieken voor het ontvouwen van ongebinde datasets in de deeltjesfysica, waarmee nauwkeurigere en flexibeler vergelijkingen tussen experimenten en theoretische voorspellingen mogelijk worden.
Deze paper introduceert IJazZ2.0, een nieuwe analytische methode die via likelihood-maximalisatie en automatische differentiatie de energie-schaal en resolutie van leptonen efficiënter en nauwkeuriger kalibreert dan traditionele benaderingen.