261 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.
FcsIT es una herramienta de código abierto y multiplataforma desarrollada en Python que permite calcular, filtrar y ajustar datos de espectroscopía de correlación de fluorescencia (FCS) mediante un método de *bootstrap* de bloques circulares y nueve modelos matemáticos predefinidos, ofreciendo una calidad de análisis comparable al software comercial.
El artículo propone nuevas herramientas analíticas que demuestran que las desviaciones de la normalidad en las distribuciones de tasas de crecimiento estacionarias son explicables estadísticamente, identificando que estas siguen una distribución logística generalizada y ofreciendo un flujo de trabajo práctico para la selección de modelos macroecológicos.
Los autores presentan un nuevo enfoque de tomografía de campos de flujo que utiliza una red neuronal informada por la física bayesiana para regularizar las reconstrucciones mediante las ecuaciones de Navier-Stokes y de advección-difusión, logrando estimaciones superiores a los métodos actuales y cuantificando la incertidumbre para mitigar la semi-convergencia en presencia de ruido.
Este trabajo presenta un nuevo flujo de trabajo de "BOS informado por física" que utiliza redes neuronales informadas por física (PINN) para reconstruir con mayor precisión los campos de densidad, velocidad y presión en flujos supersónicos a partir de datos experimentales, superando las limitaciones de los métodos tradicionales al integrar directamente las ecuaciones de gobierno del flujo.
Este artículo presenta la velocimetría de advección estocástica de partículas (SPAV), un método basado en un modelo de advección explícito y una función de pérdida estadística que, al integrarse en una red neuronal informada por la física, mejora significativamente la precisión de la velocimetría por seguimiento de partículas (PTV) reduciendo el error de reconstrucción en aproximadamente un 50% en flujos laminares y turbulentos.
Este artículo presenta un método de flujo óptico neuronal que utiliza representaciones implícitas continuas para mejorar la precisión, la compresión de datos y la regularización en la velocimetría por imágenes de partículas (PIV) planar y estereoscópica, permitiendo además la inferencia directa de presión y la aplicación a otras técnicas de medición avanzadas.
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.
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.