335 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 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.
Deze paper introduceert het Ascona-model, een wachtrijgebaseerd raamwerk voor het genereren van synthetische tijdsafhankelijke netwerken met controleerbare eigenschappen en blokkenstructuren, dat dient als grondslag voor de validatie van methoden voor gemeenschaps- en veranderingdetectie.
Dit artikel presenteert een probabilistisch raamwerk voor de initiële baanbepaling en orbitale tracking in cislunaire ruimte, dat een kinematische aanpassing van waarnemingen combineert met een Particle Gaussian Mixture-filter om de beperkingen van Gauss' methode in driedelig-dynamische omgevingen te overwinnen.
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.
Dit artikel kwantificeert de invloed van verschillende elektromagnetische fysica-constructeurs in Geant4 op de nauwkeurigheid van energieafzetting en de rekenprestaties voor simulaties van zeldzame gebeurtenissen in CaWO- en Ge-detectors, om de selectie van de meest geschikte constructeurs voor achtergrondbepaling te faciliteren.
Dit artikel introduceert een distillatieframework dat complexe ENSO-ensemblevoorspellingen comprimeert tot interpreteerbare, compacte modellen die niet alleen de voorspellende vaardigheid behouden, maar ook inzicht bieden in de spatiotemporele dynamiek en fysische voorbodes van het klimaatfenomeen.
Dit paper introduceert DA-HASC, een data-gedreven raamwerk dat data-assimilatie en manifold learning combineert om plotselinge omslagpunten in complexe, hoogdimensionale systemen te detecteren door veranderingen in de structurele complexiteit van de attractor te kwantificeren.