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 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.
Dit artikel presenteert een adaptieve, entropie-gedreven sensorselectiemethode binnen een camera-LiDAR deeltjesfilter voor robuuste tracking van een enkel vaartuig, die in een realistische maritieme testomgeving in Cyprus een gunstige afweging tussen nauwkeurigheid en continuïteit bereikt door dynamisch te schakelen tussen sensormodi op basis van informatiewinst.
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.
Deze paper introduceert een methode die multivariate tijdsreeksen omzet in symbolische sequenties en via een Bayesiaanse aanpak statistisch significante patronen identificeert als hyperkanten in een hypergraaf, waardoor hogere-orde interacties in complexe systemen zoals neurale en sociale netwerken effectief kunnen worden geanalyseerd.
Deze paper toont aan dat het gebruik van de Qwen2.5 Large Language Model, gecombineerd met connector-netwerken, superieur presteert in het analyseren en genereren van SKA-gegevens voor kosmologische toepassingen vergeleken met standaardinitialisaties en gespecialiseerde netwerken.
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.
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.
Deze studie introduceert DE-AC, een methode die de dominante eigenwaarde uit autocorrelatie afleidt om periodedubbelingsbifurcaties, zoals die bij hartaritmieën optreden, nauwkeuriger te voorspellen dan bestaande vroege waarschuwingssignalen.
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.