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.
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.
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 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.
El artículo presenta dos estrategias de aprendizaje automático para el experimento CYGNO: un autoencoder convolucional no supervisado que reduce drásticamente el volumen de datos al identificar anomalías en las imágenes, y un clasificador basado en el marco CWoLa que identifica topologías de retroceso nuclear sin etiquetas previas, optimizando así la búsqueda de materia oscura.
Este estudio presenta un marco de aprendizaje automático basado en el Sistema de Alerta de Pronóstico (WoFS) que supera a los métodos tradicionales para generar pronósticos probabilísticos de peligros meteorológicos severos con una ventana de 2 a 6 horas, demostrando la eficacia del post-procesamiento de modelos de convección permitida para la orientación de alertas tempranas.
El artículo presenta NGCG, una tubería neural-simbólica que descubre leyes de conservación a partir de datos con precisión perfecta y sin falsos positivos al decoupling el aprendizaje de la dinámica de la extracción de invariantes, superando así los desafíos de sistemas caóticos, ruido y variación de parámetros.
Este artículo presenta un marco unificado para el descubrimiento de datos de ecuaciones diferenciales estocásticas que combina la integración por partes de Weak SINDy con la identificación de sistemas estocásticos, utilizando funciones de prueba gaussianas espaciales para eliminar el sesgo estructural y recuperar con alta precisión los generadores de deriva y difusión mediante regresión esparsa.
Este artículo presenta la construcción de una función de global diseñada para el ajuste simultáneo de secciones eficaces dependientes de la energía correlacionadas, incorporando las correlaciones entre diferentes procesos y puntos de energía, así como las contribuciones de las mediciones de luminosidad integrada y de la energía en el centro de masas.