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.
Deze paper introduceert GABI, een architectuur-onafhankelijk raamwerk dat geometrie-bewuste generatieve modellen leert uit grote datasets van verschillende fysische systemen om als informerende priors te dienen voor Bayesiaanse inversie, waardoor robuuste onzekerheidskwantificering mogelijk wordt voor complexe geometrieën zonder kennis van de onderliggende besturingsvergelijkingen.
Dit paper introduceert NuBench, een open benchmark met zeven grote gesimuleerde datasets voor het vergelijken van deep learning-algoritmen voor de reconstructie van neutrino-evenementen in verschillende watere- en ijsdetectoren.
Dit artikel introduceert AUSSIE, een nieuwe methode voor het ontvouwen van LHC-metingen die iteraties, adversariale netwerken en surrogate-modellen overbodig maakt door een nieuwe verliesfunctie te gebruiken die direct oplossingen oplevert met minimale afhankelijkheid van referentiesimulaties.
Dit paper presenteert een innovatieve MIMO-gebaseerde Extreme Learning Machine-methode voor het nauwkeurig voorspellen van korte termijn energievoorziening en -consumptie in Corsica, die door zijn gesloten vorm en lage rekenvereisten superieur presteert ten opzichte van persistence-modellen en deep learning-technieken zoals LSTM.
Dit paper past principes uit de stromingsleer toe op tijdsafhankelijke netwerken om twee nieuwe spectrale decompositiemethoden te ontwikkelen die de dynamiek van netwerken comprimeren en analyseren via orthogonale modi en de Koopman-operator.
Dit onderzoek gebruikt een modelonafhankelijke Gaussian Process-reconstructie van de uitdijinggeschiedenis om te testen of Type Ia-supernova's als standaardkaarsen fungeren, en concludeert dat hoewel ze over het algemeen consistent zijn, lokale afwijkingen in twee onafhankelijke datasets wijzen op een mogelijke niet-monotone evolutie van hun helderheid die verdere astrofysische studie vereist.
Deze studie introduceert een nieuwe maximum-likelihood-estimator die via sparse optimalisatie en een IRLS-algoritme de zware staarten en intermitterende versnellingen in turbulente stromingen effectiever reconstrueert dan bestaande methoden die op Gaussische aannames gebaseerd zijn.
Dit artikel waarschuwt dat hybride metrologie voor halfgeleiderproductie door 'donkere onzekerheid' kan worden ondermijnd, waarbij het gebruik van een random effects-model in plaats van een common mean-model essentieel is om de totale onzekerheid realistisch in te schatten en overmoedige onderwaardering te voorkomen.
Dit artikel toont aan dat coverage-gerichte onzekerheidskwantificatie, in tegenstelling tot post-hoc methoden, de representatie van complexe fysische regimes in het Critical Heat Flux-probleem effectief verbetert door onzekerheid als een actief onderdeel van het leerproces te integreren.
Deze paper introduceert een Bayesiaanse methode die gebruikmaakt van informatie uit eerdere netwerksnappschotten om toekomstige configuraties te voorspellen en onzekerheid te kwantificeren, waardoor nauwkeurige, zelfonderhoudende reconstructie van evoluerende netwerken mogelijk wordt met minimale extra data.