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.
In dit artikel wordt gemeld dat een retrospectieve analyse van GPS-archiefdata geen bewijs opleverde voor exotische lichte velden die vrijkwamen bij de neutronenster-merger GW170817, maar wel nieuwe, strengere grenzen opleverde voor de interactie-energieschaal van dergelijke deeltjes in het bereik van tot eV.
In dit artikel wordt een nieuw, op diepe learning gebaseerd model voor de puntverspreidingsfunctie (PSF) gepresenteerd dat, door een autoencoder te combineren met een Gaussisch proces, de nauwkeurigheid van de huidige state-of-the-art PIFF-methode verbetert en zo essentieel is voor toekomstige kosmologische analyses zoals die van het LSST.
Dit onderzoek toont aan dat het toepassen van neurale schaalwetten op het JetClass-dataset de prestaties van gebooste jet-classificatie in de deeltjesfysica systematisch kan maximaliseren door de berekeningscapaciteit te verhogen, waarbij herhaling van data en het gebruik van expressievere invoerkenmerken de effectieve datasetgrootte en de asymptotische prestatiegrenzen verder verbeteren.
Deze paper introduceert 'potential-energy gating', een methode die de betrouwbaarheid van waarnemingen in Bayes-filters dynamisch aanpast op basis van de potentiële-energie van een systeem, waardoor de schatting van toestanden in bistochastische systemen aanzienlijk robuuster wordt, zelfs bij aanwezigheid van uitbijters en beperkte data.
Dit onderzoek toont aan dat Simulation-Based Inference, en met name de Neural Posterior Estimation-methode, een efficiënter en nauwkeuriger alternatief biedt voor traditionele MCMC-methoden bij het verkennen van de hoge-dimensionale parameter ruimte van het pMSSM, zelfs onder de strenge beperkingen van Higgs-, flavor- en donkere-materieobservaties.
Deze paper introduceert een nieuwe type statistisch interval dat door een verzwakte definitie van een credibel interval een pragmatisch en filosofisch middenweg biedt tussen Bayesiaanse en frequentistische methoden, waarbij de voordelen van Bayesiaanse benaderingen worden gecombineerd met de eenvoud van één-dimensionale prioren zonder de complexiteit van hoog-dimensionale prioren.
Deze paper introduceert een Stein-type goedheid-van-aanpassingstest die, gebaseerd op de Havrda-Charvát-entropie en Jacobi-polynomen, de evenwichtsverdeling van eindige N-liggaamsystemen exact karakteriseert en zo een parameterloze, chi-kwadraat-gebaseerde methode biedt om afwijkingen van de normale verdeling in systemen met een beperkt aantal deeltjes te detecteren.
Dit artikel presenteert een platform-onafhankelijk quantum reservoir computing-kader met maximaal zes qubits dat een nauwkeurigheid van meer dan 86% bereikt bij het voorspellen van de koersrichting van quantum-bedrijven, waarmee het de potentie van kleine quantum-systemen voor complexe financiële tijdreeksvoorspelling op toekomstige hardware aantoont.
Deze paper introduceert een algemeen framework voor simulatiegebaseerde inferentie dat gebruikmaakt van factoriseerbare normaliserende flows en een geamortiseerde trainingsstrategie om systematische onzekerheden efficiënt te profileren tijdens het meten van multivariate verdelingen van belang, waardoor de noodzaak van herhaaldelijke trainingen wordt vermeden.
Deze paper introduceert een Bayesiaanse sequentiële aanpak voor tijdloze Full Waveform Inversie met behulp van Hamiltonian Monte Carlo, waarbij de baseline-survey als prior wordt gebruikt om betrouwbare onzekerheidskwalificatie te bieden in hoge-dimensionale problemen met vergelijkbare nauwkeurigheid als parallelle methoden.