physics.data-an artículos

La física de datos analíticos explora cómo los grandes volúmenes de información están transformando nuestra comprensión del universo, desde el comportamiento de partículas subatómicas hasta la estructura de galaxias lejanas. Esta disciplina combina el rigor de la física teórica con herramientas computacionales avanzadas para extraer patrones ocultos en experimentos complejos, permitiendo a los científicos formular predicciones más precisas y desafiar las leyes fundamentales de la naturaleza.

En Gist.Science, nos dedicamos a rastrear cada nuevo prepublicación que se carga en arXiv dentro de esta categoría. Procesamos cada documento para ofrecer dos versiones de resumen: una explicación en lenguaje sencillo para cualquier curioso y un análisis técnico detallado para expertos. Así, democratizamos el acceso al conocimiento de vanguardia sin sacrificar la profundidad científica.

A continuación, encontrarás la selección más reciente de investigaciones en física de datos analíticos, listas para ser exploradas en sus distintos niveles de detalle.

Biases in the Determination of Correlations Between Underground Muon Flux and Atmospheric Temperature

Este artículo demuestra que el método de agrupamiento (binned) introduce sesgos significativos al determinar la correlación entre el flujo de muones subterráneos y la temperatura atmosférica cuando existen incertidumbres en los datos, a diferencia del método no agrupado (unbinned) que permanece robusto, y propone un nuevo procedimiento para evaluar la estabilidad de dicha correlación bajo condiciones reales.

Bangzheng Ma, Katherine Dugas, Kam-Biu Luk, Juan Pedro Ochoa-Ricoux, Bedřich Roskovec, Qun Wu2026-04-09⚛️ hep-ex

Resolving Single-Peptide Phosphorylation Dynamics in Plasmonic Nanopores using Physics-Informed Bi-Path Model

Este artículo presenta un marco de aprendizaje profundo informado por física que integra múltiples instancias y redes neuronales recurrentes bidireccionales para decodificar la dinámica de espectroscopía Raman mejorada por superficie (SM-SERS) y lograr la detección fiable de fosforilación en péptidos individuales dentro de nanoporos plasmónicos, superando así el ruido de fondo y la variabilidad estocástica de la señal.

Mulusew W. Yaltaye, Yingqi Zhao, Kuo Zhan, Vahid Farrahi, Jian-An Huang2026-04-09🔬 cond-mat.mes-hall

Fast and accurate noise removal by curve fitting using orthogonal polynomials

Este trabajo presenta un método rápido y numéricamente estable para el ajuste de polinomios mediante polinomios ortogonales discretos (Chebyshev), que supera las limitaciones de inestabilidad y escalabilidad de los filtros Savitzky-Golay tradicionales, logrando mejoras significativas en precisión y eficiencia computacional para aplicaciones como la búsqueda de materia oscura de axiones.

Andrea Gallo Rosso2026-04-09🔬 physics

The Non-Gaussian Weak-Lensing Likelihood: A Multivariate Copula Construction and Impact on Cosmological Constraints

Este artículo presenta un marco basado en cópulas para construir verosimilitudes no gaussianas de funciones de correlación de dos puntos que mejoran la concordancia con simulaciones en grandes escalas, revelando que, aunque estas verosimilitudes provocan desplazamientos significativos en el parámetro $S_8$ para encuestas de 1 000 grados cuadrados, los desplazamientos son despreciables para encuestas de etapa IV de 10 000 grados cuadrados, lo que sugiere que las verosimilitudes gaussianas siguen siendo suficientes para estas últimas.

Veronika Oehl, Tilman Tröster2026-04-09📊 stat

Maximum likelihood estimation of burst-merging kernels for bursty time series

Este trabajo presenta un método de estimación de máxima verosimilitud para determinar el núcleo de fusión de ráfagas a partir de series temporales, permitiendo caracterizar con precisión su estructura jerárquica y estudiar sus mecanismos subyacentes en diversos contextos empíricos y simulados.

Tibebe Birhanu, Hang-Hyun Jo2026-04-08🔬 physics

FluxMC: Rapid and High-Fidelity Inference for Space-Based Gravitational-Wave Observations

El artículo presenta FluxMC, un marco de inferencia mejorado con aprendizaje automático que combina Flow Matching y MCMC con recocido paralelo para lograr una inferencia bayesiana rápida y de alta fidelidad en la astronomía de ondas gravitacionales espaciales, superando las limitaciones de convergencia y precisión de los métodos tradicionales.

Bo Liang, Chang Liu, Hanlin Song, Tianyu Zhao, Minghui Du, He Wang, Haohao Gu, Sensen He, Yuxiang Xu, Wei-Liang Qian, Li-e Qiang, Peng Xu, Ziren Luo, Mingming Sun2026-04-08🔭 astro-ph

Network Reconstruction via Jeffreys Prior under Missing Sufficient Statistics

Este artículo presenta un método para reconstruir redes económicas que, al incorporar una estructura de bloques mediante un prior de Jeffreys para compensar la falta de estadísticas suficientes específicas, supera el rendimiento de modelos tradicionales y de bloques incluso cuando se dispone de menos información empírica.

Minh Duc Duong, Diego Garlaschelli2026-04-08🔬 physics

Composition Design of Shape Memory Ceramics based on Gaussian Processes

Este estudio utiliza modelos de aprendizaje automático basados en procesos gaussianos para diseñar una nueva composición de cerámica con memoria de forma, pero los resultados experimentales revelan que los criterios de diseño exitosos en aleaciones metálicas no son universalmente aplicables a las cerámicas de ZrO₂ debido a factores no relacionados con la transformación de fase.

Ashutosh Pandey, Justin Jetter, Hanlin Gu, Eckhard Quandt, Richard D. James2026-04-07🔬 cond-mat.mtrl-sci

Better Together: Cross and Joint Covariances Enhance Signal Detectability in Undersampled Data

Utilizando teoría de matrices aleatorias, el estudio demuestra que las matrices de covarianza cruzada y conjunta permiten detectar y reconstruir señales compartidas en datos de alta dimensión submuestreados con mayor eficacia que las covarianzas individuales, superando el ruido de muestreo mediante transiciones de fase detectables.

Arabind Swain, Sean Alexander Ridout, Ilya Nemenman2026-04-07📊 stat

GPU-Accelerated Sequential Monte Carlo for Bayesian Spectral Analysis

Este artículo presenta un enfoque acelerado por GPU que utiliza un muestreador de Monte Carlo secuencial para realizar la selección de modelos bayesianos y la estimación de parámetros en el análisis espectral, logrando aceleraciones superiores a 500 veces en comparación con métodos tradicionales y validando su eficacia en datos simulados y experimentales de espectroscopía y difracción de rayos X.

Tomohiro Nabika, Yui Hayashi, Masato Okada2026-04-07📊 stat

← Anterior Siguiente →