252 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 toont aan dat adversarial training de robuustheid van op diep leren gebaseerde jet-flavortag-algoritmen tegen invoervervormingen, die als proxy voor systematische onzekerheden dienen, verbetert door gebruik te maken van geometrische inzichten uit de verliesoppervlakte om hoge prestaties te behouden terwijl kwetsbaarheden van het model worden verminderd.
Dit artikel introduceert een nieuwe datagedreven aanpak die leidende niet-autonome dynamische vergelijkingen afleidt door optimale basisfuncties te identificeren, waarmee het gedrag van uiteenlopende real-world systemen, variërend van biologische aggregaten tot technische toepassingen, succesvol wordt gereconstrueerd en voorspeld.
Dit artikel stelt een "Double Metric Learning"-benadering voor die twee verschillende knooprepresentaties leert om conflicten op te lossen bij het construeren van gerichte grafen met ketenverbindingen voor de ATLAS ITk-detector, waarbij een verbeterde prestatie wordt aangetoond in grafconstruktie en voorspelling van randrichtingen voor deeltjes met hoog transversaal impuls in vergelijking met eenvoudige metrische leermethoden.
Dit artikel toont aan dat het aanpassen van het Ant Colony Optimization-algoritme om de FVC-dichtheidsfunctionaal af te stemmen de gemiddelde relatieve fout bij het voorspellen van grondtoestandsenergieën voor sterk gecorreleerde systemen over verschillende dimensionaliteiten aanzienlijk verlaagt, met een foutreductie tot 67% tegen lage rekenkosten.
Dit artikel presenteert een platformonafhankelijk raamwerk voor Quantum Reservoir Computing dat gebruikmaakt van een klein-schalig zes-qubitsysteem om een nauwkeurigheid van meer dan 86% te bereiken bij het voorspellen van aandelenkoersontwikkelingen en handelsvolumes van bedrijven in de quantumsector, waarmee het potentieel van quantumhardware op korte termijn voor complexe financiële tijdreeksanalyse wordt aangetoond.
Deze studie toont wiskundig aan dat datahiaten en uitschieters de betrouwbaarheid van op variantie en autocorrelatie gebaseerde veerkrachtindicatoren aanzienlijk ondermijnen, waarbij ontbrekende waarden hun onderlinge overeenkomst verzwakken en uitschieters leiden tot een systematische overschatting van de systeemstabiliteit.
Dit artikel toont aan dat de exacte marginalisatie van binaire correctievariabelen in fysische data wiskundig equivalent is aan het Ising-model, waardoor efficiënte statistisch-fysische hulpmiddelen kunnen worden ingezet om exponentieel complexe configuraties te behandelen en onzekerheden nauwkeurig te kwantificeren in toepassingen zoals de kalibratie van Type Ia-supernova's.
CVEvolve is een autonoom, zero-code agentisch systeem dat gebruikmaakt van LLM's en een meertrapszoekstrategie om wetenschappelijke gegevensverwerkingsalgoritmen onafhankelijk te ontdekken en te optimaliseren, waardoor domeinwetenschappers complexe, ongestructureerde data effectief kunnen analyseren zonder uitgebreide programmeerkennis te vereisen.
Dit artikel presenteert een zelflerende signaalclassificator voor decameter coherent verstrooiingsradars die automatisch een model construeert aan de hand van twee jaar data van 12 SuperDARN- en SECIRA-radars om 14 betrouwbaar scheidbare klassen te identificeren op basis van een combinatie van gemeten radarparameters en gemodelleerde kenmerken van radio golfvoortplanting.
Dit artikel introduceert de Bayes-factor-Bayes-factor (BB)-plot, een diagnostisch hulpmiddel dat gebruikmaakt van het verband tussen Bayes-factoren en hun verdelingen onder concurrerende hypothesen om de nauwkeurigheid van berekeningen te valideren en achtergrondverdelingen efficiënt te schatten, zoals gedemonstreerd door toepassingen in de zwaartekrachtgolfastronomie, waaronder de beoordeling van de statistische significantie van GW231123.