333 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 introduceert een door natuurkunde geïnspireerd neurale operator-methode die nauwkeurige, ruisrobuste schattingen van frequentie-afhankelijke akoestische oppervlakte-admittantie voor lokaal reagerende geluidsabsorptiematerialen mogelijk maakt door near-field metingen direct te koppelen aan de onderliggende akoestische wetten zonder een expliciet voorwaarts model.
Dit onderzoek evalueert drie analytische methoden voor het kwantificeren van injectie-gedreven massatransfer in poreuze media met behulp van tijdverloop micro-CT, introduceert een volume-ratio filter om vertekening door cluster-hermobilisatie te verminderen, en concludeert dat de keuze van de methode afhankelijk is van de gewenste fysieke detailniveaus in verhouding tot de benodigde rekenkracht.
Dit artikel levert analytische oplossingen voor stochastische differentiaalvergelijkingen die pulsartimingruis en het gravitationele golfachtergrondsignaal beschrijven, waarbij wordt aangetoond dat een Ornstein-Uhlenbeck-proces inconsistent is met een stationair signaal terwijl een overdempde harmonische oscillator wel een fysiek consistente beschrijving biedt, en worden bovendien uitdrukkingen afgeleid voor een tweecomponentenmodel van een neutronenster dat de oorsprong van non-stationariteit in timingresiduen verklaart.
Dit artikel onderzoekt de relatie tussen termen in multidimensionale Langevin-vergelijkingen en statistische eigenschappen zoals momenten en covariantiefuncties, met een focus op lineaire Gaussische dynamica, onderdempde processen en de detectie van niet-Markoviaanse gedragingen.
Dit artikel introduceert een adaptieve, symmetrie-geïnformeerde Bayesiaanse strategie voor kwantummetrologie die, zoals gedemonstreerd met ultrakoude cesiumatomen in een optische vezel, de meetnauwkeurigheid aanzienlijk verbetert en de benodigde hoeveelheid data tot een derde reduceert.
Deze studie introduceert een Bayesiaans raamwerk op basis van simulatie-gedreven inferentie dat nauwkeurige, frequentie-afhankelijke akoestische oppervlakte-impedanties in situ schat uit schaarse drukmetingen, waardoor beperkingen van conventionele meetmethoden worden overwonnen en betrouwbare onzekerheidskwantificering mogelijk wordt voor complexe ruimtes zoals auto-interieurs.
Dit artikel presenteert een onbeheerde, reconstructie-gebaseerde anomaliedetectiestrategie met convolutionele autoencoders die, getraind op CYGNO-optische TPC-pedaalbeelden, real-time regio's van belang (ROI's) efficiënt selecteert door 97,8% van het beeldoppervlak te verwijderen terwijl 93,0% van het signaalbehoud behouden blijft.
Dit artikel presenteert trainingsmateriaal en bronnen van de HEP Software Foundation Training Center om fysici op te leiden in het gebruik van Apptainer voor containerisatie, met als doel de reproduceerbaarheid, portabiliteit en samenwerking in de wetenschappelijke analyse te verbeteren.
Dit paper introduceert een meetkundig raamwerk voor adaptief witmaken in gravitatiegolf-detectoren door het probleem te herschrijven als parallel vervoer op een hoofdvezelbundel, waarbij de 'flatness theorem' garandeert dat de optimale filtercorrectie padonafhankelijk is en vrij van hysteresis.
Dit artikel presenteert een robuust machine learning-kader dat non-negatieve matrixfactorisatie combineert met parameteraanpasbaar reservoir computing om het tijdstip van kritieke overgangen (tipping points) in complexe spatiotemporele systemen, inclusief klimaatsimulaties, nauwkeurig en computerefficiënt te voorspellen.