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 presenta un marco geométrico y físico robusto para cuantificar la quiralidad de distribuciones mediante nuevas medidas pseudoscalares basadas en momentos tensoriales, junto con un paquete de software de código abierto para su aplicación en datos experimentales y numéricos.
Este estudio demuestra que las señales de microelectrodos en pacientes con Parkinson siguen una distribución -Gaussiana y presentan un acoplamiento funcional único entre sus parámetros estadísticos, lo que sugiere que el bucle cortico-basal-gangliar-talámico en esta enfermedad opera cerca de un estado crítico.
Este artículo presenta el Traductor de Patrones Espectrales (SPT), un marco de aprendizaje profundo informado por la física que resuelve el problema inverso de la espectroscopía de absorción de rayos X mediante la descomposición en dominios de frecuencia, permitiendo la determinación precisa y en tiempo real de configuraciones atómicas transitorias en materiales no cristalinos y dinámicos para acelerar el descubrimiento autónomo de materiales.
Este estudio demuestra que la descomposición mediante Operadores de Producto Matricial (MPO) es un método práctico y fundamentado teóricamente para comprimir modelos Transformer como PicoGPT, logrando una reducción de parámetros de hasta 13 veces manteniendo una alta precisión en la tarea.
Este estudio demuestra, mediante el análisis de datos reales de hashtags en Twitter, que la difusión de información en redes sociales no es aleatoria sino que sigue patrones estructurados predecibles a través de modelos de selección preferencial global y local.
Este artículo presenta dos enfoques basados en aprendizaje automático para mejorar el seguimiento de muones en el Espectrómetro de Muones de ATLAS: el uso de Redes Neuronales de Grafos para la rechazo de fondos que acelera la reconstrucción en un 15 %, y una prueba de concepto con Vision Transformers que logra una reconstrucción aproximada ultra rápida en 2,3 ms con una eficiencia del 98 %.
Este artículo propone un modelo estadístico basado en mezclas de expertos de procesos gaussianos para estimar los constantes ópticos a partir de espectros de absorción, integrando las relaciones de Kramers-Kronig y modelando los errores de los puntos de anclaje, lo que permite la interpolación, extrapolación y selección automática de puntos de medición, tal como se demuestra en experimentos con arseniuro de galio, cloruro de potasio y madera transparente.
El sistema AutoDQM, que utiliza técnicas estadísticas avanzadas y aprendizaje automático no supervisado para la detección de anomalías, ha demostrado ser una herramienta eficaz para la supervisión automatizada de la calidad de los datos en el detector CMS, identificando datos defectuosos a una tasa de 4 a 6 veces superior a la de los datos válidos.
Este estudio utiliza datos de reanálisis corregidos para demostrar que, entre 1876 y 2011, la severidad de las condiciones meteorológicas de incendios en Australia ha aumentado significativamente debido principalmente al cambio climático antropogénico, impulsado por tendencias de mayor temperatura y menor humedad.
Este trabajo demuestra que el uso de técnicas de inferencia basadas en simulación neuronal permite optimizar sistemáticamente observables compatibles con la teoría de precisión, identificando que la proyección óptima del correlador de energía de 3 puntos para medir la masa del quark top corresponde a triángulos rectángulos en la esfera.