332 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 studie presenteert een proof-of-concept systeem dat grote taalmodellen gebruikt om analyseprocedures uit HEP-publicaties te extraheren en uitvoerbare code te genereren voor het reproduceren van resultaten, waarbij de huidige prestaties en beperkingen van open-weight modellen worden geëvalueerd aan de hand van de ATLAS H→ZZ*→4ℓ-analyse.
Dit artikel introduceert NOMAI, een machine learning-classificator die in real-time binnen de Fink-broker werkt om zeldzame superluminous supernova's (SLSNe) te identificeren op basis van fotometrische data van de ZTF-survey, zonder spectroscopische roodverschuiving, en die tijdens een evaluatieperiode een hoge recoverysnelheid van actieve SLSNe aantoont.
Dit artikel introduceert een methode gebaseerd op de functionele renormalisatiegroep die een 'dimensionale fase-overgang' detecteert in het spectrum van data, waardoor zwakke signalen in bijna continue ruis kunnen worden geïdentificeerd op niveaus die lager liggen dan de traditionele BBP-drempel.
Dit paper introduceert een op attentie gebaseerde stochastische simulator die multisite overstromingsrisico's genereert om de kloof tussen seizoensvoorspellingen en decennia lange klimaatprojecties te overbruggen, waardoor verzekeringsportefeuilles beter kunnen worden geëvalueerd op niet-stationaire, cascade-effecten van overstromingen.
Dit paper introduceert de open-source code GWDALI en toont aan dat de Derivative Approximation for Likelihoods (DALI) methode, met name de singlet-variant, een zeer nauwkeurige en aanzienlijk snellere alternatief biedt voor traditionele MCMC-analyses bij de inferentie van parameters van zwaartekrachtgolven.
Dit artikel introduceert een nieuwe, robuuste schatter voor neutrino-energie in vloeibare-argon-tijdprojectiekamers, gebaseerd op de hadronische invariantmassa, die minder gevoelig is voor modelonvolkomenheden dan bestaande methoden, hoewel dit ten koste gaat van de energie-resolutie onder ideale omstandigheden.
Dit artikel presenteert een data-gedreven, systematische vergelijking van verschillende statistische afstandsmaatstaven en normalisatiefuncties, getoetst op stabiliteit met elektron- en fotondata van een afvallend Krypton-83-isotoop gemeten met een HPGe-spectrometer.
Deze studie toont aan dat multiplicatieve ruis op het membraanpotentiaal de prestaties van spiking neurale netwerken het meest schaadt door neuronale activiteit te onderdrukken, en dat het toepassen van een sigmoidale filter op de input de robuustheid aanzienlijk verbetert.
Dit artikel introduceert een exact-approxi-matieve MCMC-methode met een onbevooroordeelde schatter voor een Poisson-likelihood, waardoor exacte inferenties mogelijk zijn uit ruisige Monte Carlo-simulaties in de deeltjesfysica tegen een vergelijkbare rekentijd als bestaande benaderingsmethoden.
Dit artikel toont aan dat het OmniLearned-foundationmodel, vooraf getraind op hoge-energiebotsingen, effectief kan worden overgedragen naar een neutrino-experiment met lagere energie, waar het betere prestaties levert dan modellen die vanaf nul worden getraind, wat wijst op de mogelijkheid van detector-onafhankelijke inferentie in de deeltjesfysica.