334 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.
Este artículo propone un método de filtrado algebraico que utiliza generadores de simetría como operadores lineales para enumerar de manera sistemática y completa todos los términos permitidos en ecuaciones de continuo, facilitando así el descubrimiento de ecuaciones gobernantes mediante métodos impulsados por datos.
Utilizando los conectomas completos de *Caenorhabditis elegans*, este estudio establece un marco multiplex unificado que revela cómo la señalización sináptica y extrasináptica se organizan en cuatro regímenes funcionales complementarios especializados en velocidad, modulación, robustez y supervivencia para sostener la función cerebral coherente.
El artículo presenta QuantumXCT, un marco generativo híbrido cuántico-clásico que infiere la comunicación celular aprendiendo transformaciones de estado inducidas por interacciones en un espacio de Hilbert, superando así las limitaciones de los enfoques basados en coexpresión y permitiendo el descubrimiento de programas de comunicación sin suposiciones biológicas previas.
Este trabajo propone un Modelo de Mezcla Adaptado a Plantillas que aprovecha múltiples simulaciones sesgadas para realizar estimaciones de datos impulsadas que reducen significativamente el sesgo en la inferencia de la fracción de señal, logrando incertidumbres bien calibradas tanto en ejemplos teóricos como en mediciones realistas de di-Higgs.
Este estudio demuestra que el Juego de la Vida logístico, un sistema puramente determinista, exhibe dinámicas invariantes de escala y criticalidad autoorganizada a través de dos transiciones críticas distintas que separan fases estáticas, dinámicas dispersas y dinámicas densas.
Este artículo presenta un método para cuantificar las interacciones no lineales en sistemas complejos ruidosos y parcialmente observables, transformando un problema globalmente intratable en una secuencia de problemas de inferencia resolubles a partir de instantáneas estadísticas de la distribución de estados.
Este trabajo extiende los emuladores de aprendizaje activo para la dispersión nuclear de dos cuerpos al espacio de momentos y canales acoplados, utilizando proyecciones (Petrov-)Galerkin y el algoritmo Lippmann-Schwinger implementados en JAX para construir modelos de orden reducido eficientes con estimación de errores, lo que sienta las bases para futuras calibraciones bayesianas de interacciones nucleares.
Este artículo presenta un modelo epidemiológico inspirado en la electrodinámica cuántica que sustituye el contacto directo por interacciones mediadas por un campo de patógenos, permitiendo derivar efectos no locales y de apantallamiento, predecir brotes con una semana de antelación mediante datos de COVID-19 en Alemania y vincular la dinámica de epidemias con transiciones de fase y física estadística fuera del equilibrio.
Este trabajo presenta un catálogo asterosísmico de 19,151 gigantes rojas en las Zonas de Observación Continua de TESS, logrando mediciones precisas de masa y radio que superan en número a los datos previos y ofrecen un conjunto uniforme de parámetros valiosos para la arqueología galáctica.
El artículo presenta BuSyNet, una arquitectura de aprendizaje profundo que descubre expresiones simbólicas de Hamiltonianos dimensionalmente consistentes y en coordenadas acción-ángulo, superando a los métodos actuales en precisión, estabilidad y interpretabilidad al modelar sistemas físicos como el oscilador armónico y el problema de Kepler.