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 presenteert een hybride raamwerk dat First-Order Shear Deformation Theory combineert met machine learning en onzekerheidskwantificering om impactlocatie en krachtschatting in composietplaten nauwkeurig en robuust uit te voeren, zelfs bij beperkte experimentele data.
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 onderzoek toont aan dat passieve seismische metingen, gecombineerd met machine learning en topologische akoestiek, een robuust en onafhankelijk van het weer alternatief bieden voor het monitoren van afgelegen bossen door unieke interacties tussen bomen en omgevingsseismische ruis te detecteren.
Dit artikel toont aan dat parameterdegeneratie in één-zone modellen voor blazars leidt tot aanzienlijk slechtere inferentiegrenzen voor EC-gedomineerde FSRQ's dan voor SSC-gedomineerde BL Lac-objekten, en benadrukt dat tijd-opgeloste SED-modellen essentieel zijn om fysische parameters in EC-domeinen te beperken.
Dit artikel introduceert een response-matrix-centrische aanpak en de bijbehorende Python-software ReMU als een alternatief voor het traditionele ontvouwen van cross-section-data, waardoor modelvoorspellingen in waarheid-ruimte direct en robuust vergeleken kunnen worden met gemeten data.
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 artikel beschrijft robuuste statistische methoden en een algoritme voor het schatten van inflatiefactoren om hypothesetoetsen en modelparameterbepalingen uit te voeren op normaal verdeelde gegevens met onbekende correlaties, zoals vaak voorkomt bij het combineren van resultaten uit verschillende publicaties.
SpecTUS is een diep-neuraal model dat de structurele annotatie van onbekende kleine moleculen op basis van GC-EI-MS-spectra mogelijk maakt door deze direct in 2D-structuren te vertalen, waarbij het aanzienlijk beter presteert dan traditionele databasezoekmethoden.
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.