Fama-French

Computational Fluid Dynamics (CFD) ist ein Bereich der Strömungsmechanik, der sich mit der numerischen Analyse von Flüssigkeiten und Gasen beschäftigt. Turbulenz ist ein komplexes Phänomen, das in vielen praktischen Anwendungen vorkommt, wie z.B. in der Luftfahrt, der Automobilindustrie und der Umwelttechnik. Sie zeichnet sich durch chaotische Strömungsmuster und hohe Energieverluste aus, was die Modellierung und Simulation erheblich erschwert.

Um Turbulenz in CFD zu simulieren, werden häufig verschiedene Modelle eingesetzt, darunter:

• Reynolds-zeitlich gemittelte Navier-Stokes-Gleichungen (RANS): Diese vereinfachen die Problematik, indem sie zeitlich gemittelte Werte verwenden.
• Groß- oder Direkte Strömungssimulationen (LES, DNS): Diese bieten detailliertere Ergebnisse, erfordern jedoch erheblich mehr Rechenressourcen.

Die Herausforderung besteht darin, die Skalen von Turbulenz präzise zu erfassen, da sie von mikroskopischen bis zu makroskopischen Dimensionen reichen. In der mathematischen Darstellung wird Turbulenz oft durch die Gleichung des Impulses beschrieben, die die Wechselwirkungen zwischen Druck, Viskosität und Beschleunigung berücksichtigt.

Resistive Ram (ReRAM oder RRAM) ist eine nicht-flüchtige Speichertechnologie, die auf der Änderung des elektrischen Widerstands eines Materials basiert, um Daten zu speichern. Im Gegensatz zu herkömmlichen Speichertechnologien wie DRAM oder Flash, die auf Ladungsspeicherung beruhen, nutzt ReRAM die Fähigkeit bestimmter Materialien, ihre Leitfähigkeit durch Anwendung eines elektrischen Stroms zu verändern. Diese Veränderungen im Widerstand können in zwei Zustände unterteilt werden: einen hohen Widerstandszustand (HRS) und einen niedrigen Widerstandszustand (LRS).

Die Vorteile von ReRAM umfassen hohe Geschwindigkeit, geringen Energieverbrauch und hohe Dichte, was es zu einem vielversprechenden Kandidaten für zukünftige Speicherlösungen macht. Zusätzlich ermöglicht die Technologie eine potenzielle Integration in neuromorphe Systeme, die auf der Nachahmung von neuronalen Netzwerken basieren, was die Entwicklung von intelligenten Speichersystemen fördert.

Bioinformatics Pipelines sind strukturierte Workflows, die zur Analyse biologischer Daten eingesetzt werden. Sie integrieren verschiedene Software-Tools und Algorithmen, um Daten von der Rohform bis zu biologisch relevanten Ergebnissen zu verarbeiten. Typischerweise umfassen Pipelines Schritte wie Datenakquise, Qualitätskontrolle, Datenanalyse und Ergebnisinterpretation. Ein Beispiel für eine solche Pipeline könnte die Verarbeitung von DNA-Sequenzdaten umfassen, bei der die Sequenzen zuerst aus Rohdaten extrahiert, dann auf Qualität geprüft und schließlich mithilfe von Alignment-Tools analysiert werden. Diese Pipelines sind oft automatisiert und ermöglichen es Forschern, große Datenmengen effizient und reproduzierbar zu verarbeiten.

Loss Aversion ist ein zentrales Konzept der Behavioral Finance, das beschreibt, dass Menschen Verluste stärker empfinden als Gewinne von gleicher Größe. Diese Tendenz führt dazu, dass Individuen oft riskantere Entscheidungen vermeiden, um potenzielle Verluste zu verhindern, selbst wenn die Chancen auf Gewinne attraktiv sind. Psychologisch gesehen empfinden Menschen einen Verlust als etwa zweimal schmerzhaft wie einen gleichwertigen Gewinn Freude bereitet. Dies kann zu irrationalen Entscheidungen führen, wie z.B. das Festhalten an verlustbringenden Investitionen oder das Vermeiden von notwendigen Risiken. Beispielsweise könnte ein Investor, der mit einem Verlust von 500 Euro konfrontiert ist, zögern, eine Aktie zu verkaufen, die weiterhin an Wert verliert, nur um den Verlust nicht zu realisieren. In der Praxis zeigt sich die Verlustaversion auch in der Kauf- und Verkaufspsychologie, wo Anleger oft zu lange an verlustbringenden Positionen festhalten, während sie Gewinne schnell realisieren.

Das Higgs-Boson ist von entscheidender Bedeutung für das Standardmodell der Teilchenphysik, da es das letzte fehlende Teilchen war, das die Theorie zur Erklärung der Masse der Elementarteilchen vervollständigte. Gemäß der Higgs-Theorie interagieren Teilchen mit dem Higgs-Feld, was ihnen ihre Masse verleiht. Ohne das Higgs-Boson würde das Universum, wie wir es kennen, nicht existieren, da viele fundamentale Teilchen masselos wären und nicht zu stabilen Atomen oder Molekülen führen könnten. Die Entdeckung des Higgs-Bosons im Jahr 2012 am Large Hadron Collider (LHC) war ein Meilenstein, der nicht nur die Vorhersagen des Standardmodells bestätigte, sondern auch wichtige Einblicke in die Struktur des Universums lieferte. Diese Entdeckung hat auch neue Fragen aufgeworfen, insbesondere in Bezug auf die Dunkle Materie und die Vereinheitlichung der vier fundamentalen Kräfte.

Gene Expression Noise bezieht sich auf die zufälligen Schwankungen in der Menge an mRNA und Protein, die aus einem bestimmten Gen in einer Zelle produziert werden. Diese Schwankungen können durch verschiedene Faktoren verursacht werden, darunter die intrinsische Variabilität der Transkriptions- und Translationalprozesse sowie äußere Einflüsse wie Umwelteinflüsse oder Unterschiede zwischen Zellen. Die Ergebnisse sind oft eine heterogene Genexpression, selbst in genetisch identischen Zellen, was zu unterschiedlichen phänotypischen Ausdrücken führen kann.

Die mathematische Modellierung von Gene Expression Noise wird häufig durch stochastische Prozesse beschrieben, wobei die Varianz der Genexpression oft als Funktion der durchschnittlichen Expression dargestellt wird. Dies kann durch die Beziehung:

ausgedrückt werden, wobei $\text{Var}(X)$ die Varianz, $\text{E}(X)$ den Erwartungswert und $\alpha$ einen konstanten Faktor darstellt. Gene Expression Noise spielt eine entscheidende Rolle in der Zellbiologie, da es zur Anpassungsfähigkeit von Zellen beiträgt und ihnen ermöglicht, auf Veränderungen in ihrer Umgebung zu reagieren.