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 O-Sensing, een protocol dat de Hamiltoniaan, interactiegeometrie en symmetrieën van een kwantumsysteem reconstrueert uit een paar laag-energetische eigentoestanden door gebruik te maken van parsimonie-gedreven optimalisatie en spectrale entropie om de juiste interacties te identificeren.
Deze paper introduceert een nieuwe ensemble Kalman-filterbenadering die spurious correlaties inherent aanpakt door de analyse-kansverdeling lokaal te benaderen via variational Bayesian optimalisatie, waardoor de noodzaak voor handmatige lokalisatie wordt geëlimineerd en vergelijkbare prestaties worden behaald met standaard EnKF en ETKF-methoden.
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.
Dit artikel betoogt dat absolute abstractie in neurale netwerken niet alleen afhangt van diepte, maar cruciaal wordt bepaald door de breedte van de trainingsdataset, en bevestigt dit theoretische inzicht via een renormalisatiegroepbenadering en numerieke experimenten die aantonen dat representaties naderen tot een 'Hierarchical Feature Model' naarmate de data breder en de netwerken dieper worden.
Deze paper introduceert een robuust raamwerk op basis van de Dempster-Shafer-evidentietheorie dat netwerkstructuren met hoge nauwkeuriteit reconstrueert uit tijdsreeksen, zelfs bij onzekerheid en variaties in netwerkgrootte en -dichtheid.
Dit artikel bespreekt methoden voor het ontrafelen van gemeten data in de deeltjes- en nucleaire fysica naar de ware verdeling, met een specifieke focus op interne kwaliteitscriteria voor het beoordelen van de resultaten wanneer externe referenties ontbreken.
Deze studie toont aan dat het kwantificeren van de stabiliteit via de helling van de deterministische term van een Langevin-vergelijking een robuustere en kwantitatieve methode biedt voor het detecteren van regime shifts onder sterke, gecorreleerde ruis dan traditionele waarschuwingssignalen zoals autocorrelatie of standaardafwijking.
Dit artikel introduceert een Bayesiaanse Langevin-methode om zowel deterministische als stochastische dynamiek te kwantificeren bij kritieke overgangen, en past deze toe op de Westerse Interconnectie-stroomstoring van 1996 om aan te tonen dat de netwerkkwetsbaarheid al twee minuten voor het officiële uitvalmoment toenam.
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.
Dit artikel betoogt dat veelgebruikte correctiemethoden voor regressie naar het gemiddelde vaak onbetrouwbaar zijn en pleit ervoor om in plaats daarvan de ongecorrigeerde ruwe helling te vergelijken met een structurele nulhypothese die is gebaseerd op de herhaalbaarheid van de metingen.