physics.data-an

Machine-learned particle flow as a foundation model for collider physics

Este artigo estabelece o fluxo de partículas aprendido por máquina (MLPF) como um modelo de fundação para a física de colisores ao demonstrar que suas representações latentes aprendidas servem como uma ponte compartilhada e rica em informações entre dados de detectores de baixo nível e diversas tarefas de análise de alto nível, melhorando significativamente o desempenho e a eficiência em comparação com abordagens modulares tradicionais.

Towards unified Geophysical Data Requirements for Magnetic Navigation (MagNav)

Este artigo inicia um diálogo comunitário sobre requisitos padronizados de dados geofísicos para Navegação Magnética ao distinguir entre necessidades operacionais e de P&D, e propor recomendações específicas, tais como conjuntos de dados mesclados, estimativas de incerteza localizadas e áreas de teste designadas para superar os atuais barreiras de implementação.

Information theory for hypergraph similarity

Este artigo introduz um arcabouço informacional geral que permite a comparação fundamentada de hipergrafos ao capturar interações de ordem superior significativas e corrigir correlações espúrias por meio de uma medida de informação mútua normalizada.

Symmetry-electronic fingerprints reveal competing magnetic phases in two-dimensional materials

Este artigo introduz uma representação de impressão digital eletrônica de simetria (SEF) que, ao integrar a simetria cristalográfica e a estrutura eletrônica resolvida por sítio, permite que modelos de aprendizado de máquina predigam com precisão propriedades magnéticas em materiais 2D, utilizando de forma única a incerteza do modelo como uma ferramenta de diagnóstico para identificar e caracterizar fases magnéticas competitivas e frustração.

Electron Ptychography Reveals Correlated Lattice Vibrations at Atomic Resolution

Accurate Estimation of Mutual Information in High Dimensional Data

Este artigo propõe um protocolo prático e uma nova classe de críticos probabilísticos (VSIB) que permitem a estimativa de informação mútua confiável e com correção de viés em regimes de alta dimensão e subamostragem, ao alavancar representações latentes de baixa dimensão e fornecer verificações de consistência estatística explícitas e intervalos de confiança.

Spatially Masked Regression Reveals Local and Distributed Predictability in Electrophysiological Recordings

Este artigo introduz uma estrutura de Regressão Espacialmente Mascarada (SMR) que quantifica o equilíbrio entre a informação local e a distribuída em registros eletrofisiológicos ao reconstruir sinais de eletrodos enquanto exclui sistematicamente canais vizinhos, revelando que canais individuais refletem tanto a redundância local imediata quanto a estrutura de rede mais ampla.

fitPALSpectra: Python fitting of positron annihilation lifetime spectra

Este artigo apresenta o fitPALSpectra, um fluxo de trabalho em Python de código aberto que aborda os desafios da análise de dados de espectroscopia de tempo de vida de aniquilação de pósitrons (PALS) ao fornecer uma ferramenta configurável para simular, ajustar e visualizar espectros usando um modelo exponencial–Gaussiano analiticamente integrado, o qual foi validado para recuperar com precisão os parâmetros de verdade fundamental em dados sintéticos.

Integrating Out, Twice:The Open-System Case That Neural-Network Ensemble Theory Is Missing

Este artigo estabelece um arcabouço teórico comparando conjuntos de redes neurais de sistema fechado com análogos de sistema aberto da teoria de reações nucleares, concluindo, em última análise, que a dinâmica não-Hermitiana distintiva destes últimos está estruturalmente ausente no aprendizado convencional devido à falta de espectros contínuos e comportamento ondulatório, localizando, assim, a verdadeira fonte da incerteza operacional dentro da correspondência de sistema fechado.

Confidence, Statistical Evidence and Relative Belief with Applications to a Problem in Particle Physics

Este artigo aplica inferências de crença relativa, que satisfazem tanto a ordenação de verossimilhança bayesiana quanto os requisitos de confiança frequentistas, para construir intervalos de incerteza para um modelo de sinal com fundo de Poisson em física de partículas, demonstrando suas vantagens sobre a abordagem padrão de Feldman-Cousins.