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 artículo presenta un modelo de orden reducido no lineal e inestacionario que integra dinámica de osciladores no lineales con la teoría de Volterra para modelar con alta precisión y eficiencia computacional las interacciones aeroelásticas del buffet transónico en configuraciones tridimensionales, superando las limitaciones de los estudios bidimensionales existentes.
Este estudio demuestra que la selección de características basada en datos permite una clasificación precisa de materiales mediante espectroscopía de reflexión en el rango de terahercios sin necesidad de referencias, utilizando un subconjunto reducido de frecuencias que coincide con las bandas de absorción reales.
Este estudio presenta un algoritmo novedoso que determina la direccionalidad en distribuciones bidimensionales discretas mediante la comparación de matrices rotadas utilizando la norma de Frobenius, validando que una aproximación de primer orden de una norma de Frobenius continua (CFND) entre distribuciones gaussianas sigue una función seno absoluta para identificar con precisión el ángulo de dirección.
Los autores demuestran experimentalmente "Dichography", un método que utiliza un solo patrón de difracción generado por dos pulsos de rayos X de diferentes colores para reconstruir algoritmicamente dos imágenes temporales de muestras nanométricas con resolución de 20 nm, validando así una nueva técnica para capturar películas ultrafastes de la materia.
Este trabajo presenta GABI, un marco de aprendizaje automático que utiliza autoencoders geométricos para construir priores generativos condicionados a la geometría y permitir una cuantificación de incertidumbre robusta y adaptativa en problemas de inversión bayesiana de sistemas físicos con geometrías complejas, sin requerir conocimiento de las ecuaciones gobernantes.
El documento presenta NuBench, un nuevo benchmark de código abierto que ofrece siete conjuntos de datos simulados masivos para evaluar y comparar algoritmos de aprendizaje profundo en la reconstrucción de eventos de neutrinos en telescopios de agua y hielo.
Este artículo propone un método novedoso de pronóstico energético a corto plazo basado en una arquitectura MIMO de Máquina de Aprendizaje Extremo (ELM) que, utilizando datos de seis años de la red de Córcega, supera a los métodos tradicionales con alta precisión y eficiencia computacional, facilitando aplicaciones en tiempo real para la gestión de múltiples fuentes de energía.
Esta revisión presenta la primera visión unificada del aprendizaje científico en hidrología, proponiendo un marco metodológico coherente para integrar el conocimiento físico en modelos basados en datos y así superar la fragmentación actual para fomentar avances sistemáticos en la disciplina.
Este trabajo presenta un análisis sistemático de la propagación de incertidumbres en una cámara de campo magnético esférica, utilizando un enfoque de Monte Carlo para cuantificar cómo los errores de calibración y posicionamiento de los sensores afectan la precisión del modelo de campo estimado mediante expansiones armónicas esféricas.
Este artículo presenta un marco híbrido que combina la teoría de deformación por cortante de primer orden (FSDT) guiada por física con aprendizaje automático y cuantificación de incertidumbre para lograr una localización precisa de impactos y estimación de fuerzas en placas compuestas, incluso con datos experimentales escasos.