🔬 Category

physics.data-an

36 artículos

Enhancing Reconstruction Capability of Wavelet Transform Amorphous Radial Distribution Function via Machine Learning Assisted Parameter Tuning

Este estudio presenta el marco WT-RDF+, que optimiza los parámetros de la Transformada de Ondículas de la Función de Distribución Radial mediante aprendizaje automático para superar las limitaciones de precisión en la reconstrucción de estructuras amorfas de Ge-Se y Ag-Ge-Se, superando a modelos de referencia como RBF y LSTM con solo el 25% de los datos de entrenamiento.

Deriyan Senjaya, Stephen Ekaputra LimantoroWed, 11 Ma🔬 cond-mat.mtrl-sci

Leveraging chaotic transients in the training of artificial neural networks

Este artículo demuestra que utilizar tasas de aprendizaje excepcionalmente altas, que sitúan al entrenamiento de redes neuronales en un régimen transitorio caótico caracterizado por un equilibrio entre exploración y explotación, permite acelerar significativamente el tiempo de entrenamiento necesario para alcanzar una alta precisión en diversas arquitecturas y tareas de aprendizaje supervisado.

Pedro Jiménez-González, Miguel C. Soriano, Lucas LacasaTue, 10 Ma🤖 cs.LG

Experimentally Resolving Gravity-Capillary Wave Evolution in Vessels of Unknown Boundary Conditions

Este artículo presenta el marco de análisis de datos "Extracted Mode Tracking" (EMT), que utiliza aprendizaje automático no supervisado para determinar experimentalmente la evolución de ondas de gravedad-capilaridad en recipientes con condiciones de contorno desconocidas, permitiendo así el estudio cuantitativo de dinámicas no lineales sin necesidad de modelado teórico previo.

Sean M. D. Gregory, Vitor S. Barroso, Silvia Schiattarella, Anastasios Avgoustidis, Silke WeinfurtnerTue, 10 Ma🔬 physics

Universal electronic manifolds for extrapolative alloy discovery

Este estudio presenta un marco computacional eficiente que utiliza la densidad electrónica no interactuante y el aprendizaje activo bayesiano para descubrir aleaciones de alta entropía refractarias mediante la extrapolación cero-shot y la predicción precisa de propiedades mecánicas con un mínimo de datos de entrenamiento.

Pranoy Ray, Sayan Bhowmik, Phanish Suryanarayana, Surya R. Kalidindi, Andrew J. MedfordTue, 10 Ma🔬 cond-mat.mtrl-sci

Pseudo-Coherence and Stochastic Synchronization: A Non-Normal Route to Collective Dynamics without Oscillators

Este artículo identifica un nuevo mecanismo llamado "pseudo-coherencia" mediante el cual sistemas estocásticos linealmente estables y sin osciladores intrínsecos pueden exhibir comportamiento colectivo sincronizado y transitorio gracias a la amplificación pseudoespectral no normal, desafiando la noción tradicional de que la organización temporal requiere osciladores o bifurcaciones de Hopf.

V. Troude, D. SornetteTue, 10 Ma🔬 physics

Turning Time Series into Algebraic Equations: Symbolic Machine Learning for Interpretable Modeling of Chaotic Time Series

Este artículo propone dos métodos de aprendizaje simbólico, SyNF y SyTF, que generan ecuaciones algebraicas interpretables para pronosticar series temporales caóticas con una precisión competitiva frente a modelos de caja negra, permitiendo así una comprensión transparente de las dinámicas subyacentes en aplicaciones como la incidencia de dengue y el índice Niño 3.4.

Madhurima Panja, Grace Younes, Tanujit ChakrabortyTue, 10 Ma🤖 cs.LG

Dissecting Spectral Granger Causality through Partial Information Decomposition

Este artículo presenta la Descomposición Parcial de la Causalidad de Granger (PDGC), una herramienta basada en la descomposición de información parcial que permite disectar las interacciones causales redundantes y sinérgicas en redes fisiológicas, revelando patrones inéditos de disfunción autonómica en pacientes con síncope neurógeno mediante el análisis de series temporales cardiovasculares y cerebrovasculares.

Luca Faes, Gorana Mijatovic, Riccardo Pernice, Daniele Marinazzo, Sebastiano Stramaglia, Yuri AntonacciTue, 10 Ma🔬 physics

Adaptive Entropy-Driven Sensor Selection in a Camera-LiDAR Particle Filter for Single-Vessel Tracking

Este artículo presenta un sistema de seguimiento de embarcaciones que fusiona datos de cámaras y LiDAR mediante un filtro de partículas con una política de selección de sensores adaptativa basada en la entropía, demostrando en un puerto real de Chipre que esta estrategia optimiza el equilibrio entre precisión y continuidad al activar dinámicamente el sensor más informativo según las condiciones ambientales.

Andrei Starodubov, Yaqub Aris Prabowo, Andreas Hadjipieris, Ioannis Kyriakides, Roberto GaleazziTue, 10 Ma🤖 cs.LG

Estimating Detector Error Models on Google's Willow

Este artículo presenta algoritmos para estimar modelos de error de detectores (DEM) directamente a partir de síndromes en los chips de Google Willow, demostrando que estos modelos mejoran la predicción de síndromes no vistos y permiten caracterizar errores locales y correlaciones de largo alcance, aunque también revelan limitaciones del enfoque DEM ante ciertos artefactos como eventos de radiación y flips correlacionados.

Kregg Elliot Arms, Martin James McHugh, Joseph Edward Nyhan, William Frederick Reus, James Loudon UlrichThu, 12 Ma⚛️ quant-ph

Bayesian Hierarchical Models and the Maximum Entropy Principle

Este artículo demuestra que, cuando la distribución previa condicional a los hiperparámetros es una distribución canónica de máxima entropía, la distribución marginal dependiente resultante también posee una propiedad de máxima entropía bajo una restricción diferente sobre la distribución marginal de una función de las cantidades desconocidas, aclarando así la información asumida al asignar un modelo jerárquico bayesiano.

Brendon J. BrewerThu, 12 Ma📊 stat

A mapping-based projection of detailed kinetics uncertainty onto reduced manifolds

Este artículo presenta un marco de dos pasos que proyecta la incertidumbre de los parámetros de cinética química detallada sobre variedades reducidas mediante la reconstrucción de estados y la propagación paramétrica, permitiendo una cuantificación de incertidumbre escalable y espacialmente resuelta para simulaciones de flujo reactivo complejas.

Vansh Sharma, Shuzhi Zhang, Rahul Jain, Venkat RamanThu, 12 Ma🔬 physics

Large Language Models -- the Future of Fundamental Physics?

El artículo demuestra que un modelo de lenguaje grande (Qwen2.5) adaptado con redes conectoras, denominado Lightcone LLM, supera a las inicializaciones estándar y compite favorablemente con redes dedicadas en tareas de física fundamental como la regresión de parámetros cosmológicos y la generación de mapas 3D de la estructura a gran escala del universo.

Caroline Heneka, Florian Nieser, Ayodele Ore, Tilman Plehn, Daniel SchillerMon, 09 Ma⚛️ hep-ph

Position-Sensitive Silicon Photomultiplier Array with Enhanced Position Reconstruction by means of a Deep Neural Network

Este trabajo presenta un método que utiliza redes neuronales profundas para reconstruir la posición de la luz en una matriz de fotodetectores SiPM, logrando una mejora significativa en la resolución y linealidad de la detección, lo que permite aumentar el número de áreas resueltas hasta en un factor de 12,1 en comparación con los métodos tradicionales.

Cyril Alispach, Fabio Acerbi, Hossein Arabi, Domenico della Volpe, Alberto Gola, Aramis Raiola, Habib ZaidiMon, 09 Ma🔬 physics