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 presenta QUnfold, un marco de optimización que reformula el problema de desdoblamiento en física de altas energías como un problema de optimización binaria cuadrática (QUBO), permitiendo su resolución mediante métodos clásicos y cuánticos con una precisión competitiva frente a las técnicas tradicionales.
Este artículo presenta TRec, un marco de tomografía de dispersión de muones informado por física que, al reconstruir trayectorias curvas y medir el momento, permite detectar con alta sensibilidad la ausencia de combustible en núcleos de microreactores sellados, superando significativamente a los métodos tradicionales como PoCA.
Este tutorial presenta un enfoque bayesiano de dos pasos para cuantificar la incertidumbre en datos de compresión por choque, permitiendo generar múltiples curvas de Hugoniot consistentes con las mediciones experimentales y demostrando su superioridad interpretativa y computacional frente a métodos tradicionales como la regresión por mínimos cuadrados y el *bootstrapping*.
El artículo presenta Noise2Ghost, un método de reconstrucción de imagen fantasma basado en aprendizaje profundo auto-supervisado que elimina la necesidad de datos de referencia limpios y ofrece una reducción de ruido superior, facilitando así aplicaciones de imagen en condiciones de baja luz como la fluorescencia de rayos X en muestras biológicas y baterías.
Este artículo presenta un marco de red neuronal bayesiana incrustada en física (PE-BNN) que, al integrar factores de capas fenomenológicos independientes de la energía y optimizar sus hiperparámetros mediante el criterio de información de Watanabe-Akaike, logra predecir con alta precisión los rendimientos de productos de fisión dependientes de la energía, capturando tanto las estructuras finas como las tendencias globales.
El artículo presenta las Structured Kolmogorov-Arnold Neural ODEs (SKANODEs), un marco que combina redes KAN con ecuaciones diferenciales neuronales para recuperar estados físicos interpretables y descubrir simbólicamente las leyes dinámicas no lineales que gobiernan sistemas complejos, superando en precisión y explicabilidad a los métodos de caja negra y modelos clásicos.
Este trabajo presenta un método que utiliza redes neuronales profundas para reconstruir la posición de la luz en una matriz de fotodetectores SiPM, logrando una mejora significativa en la resolución y linealidad de la detección, lo que permite aumentar el número de áreas resueltas hasta en un factor de 12,1 en comparación con los métodos tradicionales.
Este estudio utiliza técnicas de visualización y sonificación (MIDI y PMSon) de curvas de luz multifrecuencia para analizar la variabilidad de nueve blázares, demostrando que este enfoque multimodal no solo revela patrones y características en los datos astronómicos, sino que también promueve la inclusión en la comunicación científica.
Este artículo analiza la mayor sensibilidad a los hiperparámetros en las máquinas de Ising basadas en retroalimentación de medición en comparación con las versiones analógicas continuas y propone un método experimental para reducir dicha sensibilidad en estas arquitecturas.
Este estudio demuestra que el modelo de Langevin generalizado, al incorporar efectos de memoria de hasta tres semanas y una escala de tiempo lenta oculta, mejora la precisión de las predicciones de la correlación del S&P500 y respalda la existencia de estados de mercado localmente estables, lo cual es crucial para la selección óptima de carteras.