257 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 trabajo presenta un operador neuronal informado por la física que estima la admisión superficial acústica dependiente de la frecuencia directamente a partir de mediciones de campo cercano, integrando las ecuaciones gobernantes del sonido en el entrenamiento para lograr una caracterización precisa y robusta al ruido de materiales absorbentes sin necesidad de un modelo directo explícito.
Este estudio presenta un marco bayesiano basado en inferencia por simulación que utiliza redes neuronales y un modelo de oscilador amortiguado con cálculo fraccional para estimar de manera precisa y robusta las impedancias acústicas superficiales en entornos interiores complejos a partir de mediciones de presión sonora escasas, superando las limitaciones de los métodos convencionales.
Este artículo presenta una estrategia de detección de anomalías no supervisada basada en autoencoders convolucionales entrenados con imágenes de pedestal para la extracción rápida y eficiente de regiones de interés en las cámaras de proyección de tiempo ópticas del experimento CYGNO, logrando una reducción significativa del área de imagen sin comprometer la señal reconstruida.
Este artículo presenta los materiales y recursos desarrollados para capacitar a físicos en tecnologías de contenedores mediante Apptainer, con el objetivo de mejorar la reproducibilidad, portabilidad y colaboración en el análisis de datos de la física de altas energías y nuclear.
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.
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 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.
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.
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.
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.
Esta revisión examina cómo los métodos emergentes de inteligencia artificial pueden mejorar el acoplamiento de los sistemas terrestres al fortalecer las interacciones entre dominios, superar las limitaciones de los modelos multi-componente y sentar las bases para marcos unificados que aseguren la consistencia física y la interpretabilidad.