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 trabajo presenta un modelo de red neuronal convolucional aumentada (A-CNN) aplicado a datos del experimento XENONnT que logra rechazar más del 60% del fondo de rayos gamma manteniendo un 90% de aceptación de señal, mejorando así la sensibilidad proyectada a la desintegración doble beta sin neutrinos en el isótopo Xe en aproximadamente un 40%.
Este artículo demuestra que la distribución gamma surge naturalmente como una universalidad análoga a la gaussiana en la teoría de grandes desviaciones cuando se utilizan aproximantes de Padé para respetar las restricciones de positividad, ofreciendo así una explicación mecánica independiente para su prevalencia en sistemas físicos con variables positivas.
Este artículo presenta un análisis completo de un comportamiento inesperado observado en un modelo fundacional OmniLearned aplicado a datos del experimento CMS, donde, aunque la estimación de fondo describe bien las regiones de validación, no logra modelar con precisión la región de señal, lo que motiva una mayor investigación sobre estos eventos y métodos.
Este artículo presenta el filtro de ruido Ising, un algoritmo de prefiltrado basado en grafos e informado por la física que minimiza un funcional de energía para suprimir el fondo en detectores de partículas, logrando una alta tasa de recuperación de neutrinos y mejorando significativamente la puntuación de búsqueda de trayectorias en experimentos como Baikal-GVD y el detector SPD de NICA.
Este artículo presenta un modelo sustituto basado en LSTM que, utilizando series temporales de olas y movimiento de buques, aprende a predecir episodios de balanceo paramétrico y sus cambios estadísticos asociados, demostrando su eficacia tanto en datos de simulación como en experimentos para la evaluación de riesgos operativos.
Este estudio presenta FloTS, un modelo de aprendizaje profundo probabilístico basado en flujos normalizantes que supera a enfoques estadísticos y deterministas para predecir con alta precisión y incertidumbre calibrada la turbulencia atmosférica (seeing) hasta dos horas antes, mejorando así la toma de decisiones en sistemas ópticos terrestres.
Este artículo presenta un enfoque de aprendizaje automático cuántico mejorado con simetrías para clasificar las topologías de trazas y cascadas en experimentos de cámaras de proyección temporal de argón líquido, demostrando que, aunque los modelos cuánticos superan a sus contrapartes clásicas con un número similar de parámetros, son superados por modelos clásicos mucho más grandes.
Este trabajo presenta un marco de inferencia basado en Flow Matching y simulaciones que permite estimar conjuntamente y de forma bayesiana los parámetros del progenitor y del potencial galáctico de la corriente estelar GD-1, superando las limitaciones de los métodos tradicionales al capturar la compleja interacción dinámica entre ambos.
Este estudio demuestra que la imitación local entre desconocidos en estaciones de tren es el principal motor de la dinámica colectiva de multitudes, generando patrones de comportamiento en ráfaga que influyen en la toma de decisiones de ruta incluso a costa de un mayor tiempo de viaje.
El artículo presenta un operador de pronóstico analítico libre de entrenamiento para procesos de energía cícloestacionarios que, al incorporar simetrías temporales y correlaciones locales, supera a los modelos de persistencia clásicos en precisión y eficiencia computacional.