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.
El artículo presenta VecAmpFit, una nueva biblioteca vectorizada para análisis de amplitudes multidimensionales en física de altas energías, desarrollada para el experimento Belle II, que incluye un ajustador con cálculo explícito de gradientes y soporte para ajustes simultáneos de múltiples conjuntos de datos.
Los autores desarrollan un marco de aprendizaje profundo basado en un autoencoder convolucional 3D entrenado exclusivamente con configuraciones del estado fundamental para detectar la transición de fase del modelo de Ising tridimensional y recuperar con precisión su temperatura crítica y exponente crítico sin conocimiento previo del sistema.
Este artículo propone un marco basado en redes complejas para analizar el agrupamiento de eventos en series temporales irregulares, permitiendo identificar y cuantificar dinámicas de clusters individuales que los métodos estadísticos globales suelen ocultar, y validando su eficacia mediante aplicaciones en procesos estocásticos, flujos turbulentos y señales electrocardiográficas.
El artículo presenta \texttt{alabi}, un paquete de código abierto en Python que acelera la inferencia bayesiana en modelos computacionalmente costosos mediante el uso de un modelo sustituto de proceso gaussiano y aprendizaje activo, logrando reducir drásticamente el número de evaluaciones del modelo y acelerar los cálculos de MCMC en problemas de alta dimensionalidad.
Este estudio demuestra que el Particle Transformer (ParT) mejora significativamente la identificación de sabores de jets en fábricas de Higgs, logrando una mejora de 5 a 10 veces en la etiquetación de quarks y respecto a métodos anteriores, y obteniendo resultados prometedores para la identificación de quarks extraños y la separación entre quarks y antiquarks.
Este estudio presenta un método basado en el LASSO adaptativo que permite identificar y cuantificar con mayor precisión las interacciones de pares y de orden superior en sistemas de osciladores acoplados a partir de series temporales, superando a técnicas existentes y demostrando su utilidad tanto en datos sintéticos como en redes cerebrales humanas.
Este artículo presenta un método de aprendizaje automático basado en Random Forest y nuevas métricas de tasas de magnitud que permite clasificar tempranamente supernovas Ic-BL y Ia, logrando identificar hasta un 13% de la población real de Ic-BL y mejorando significativamente las técnicas actuales.
Este artículo presenta un algoritmo cuántico inspirado basado en redes tensoriales que supera las limitaciones de las puertas unitarias para calcular la transformada de Laplace discreta mediante la compresión de un operador de amortiguamiento y una transformada de Fourier cuántica en un único operador de producto matricial, logrando simulaciones eficientes hasta puntos de entrada.
Este artículo propone una estrategia de terminación automática para experimentos de dispersión inelástica de neutrones que utiliza optimización bayesiana para ajustar dinámicamente el ancho de las cajas y detener la medición en tiempo real cuando se alcanza la resolución óptima, mejorando así la eficiencia del uso del haz.
Este estudio analiza las variaciones de brillo de los estallidos del cometa 17P/Holmes desde 1892 hasta 2021, con énfasis en la mega-erupción de 2007, para determinar la distribución de tamaños y la masa total de los aglomerados porosos expulsados, estableciendo así restricciones cuantitativas sobre las propiedades físicas del material eyectado que son fundamentales para modelar la evolución de las trayectorias de polvo y los orígenes de las corrientes de meteoroides.