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.
El artículo presenta Dara, un marco automatizado que identifica y refina múltiples fases en patrones de difracción de rayos X mediante un exhaustivo árbol de búsqueda y refinamiento Rietveld, reduciendo la dependencia de la interpretación manual y facilitando el descubrimiento de materiales.
Este artículo propone un método de estimación bayesiana para evaluar la precisión de la posición espectral en la espectroscopía Mössbauer basada en radiación de sincrotrón, permitiendo seleccionar la ventana de medición óptima y logrando una mejora de más de tres veces en la precisión de los desplazamientos centrales en comparación con el ajuste convencional mediante funciones lorentzianas.
Este artículo presenta la inferencia causal asimilativa (ACI), un marco metodológico basado en la asimilación de datos bayesiana que resuelve el problema inverso para identificar interacciones causales dinámicas y transitorias en sistemas complejos sin necesidad de observar las causas potenciales, permitiendo rastrear en línea la evolución de estas influencias y su alcance.
Este trabajo presenta una técnica novedosa para la estimación amortizada de posteriores multimodales mediante flujos normalizadores entrenados con muestreo de importancia ponderado por verosimilitud, demostrando que inicializar el flujo con un modelo de mezcla gaussiana que coincida con la cardinalidad de los modos objetivo es crucial para evitar puentes de probabilidad espurios y mejorar la fidelidad de la reconstrucción en problemas inversos de alta dimensión.
Este trabajo presenta un clasificador de jets de quark top basado en una arquitectura EfficientNet ligera y escalable combinada con características globales, que logra un rendimiento competitivo con un coste computacional significativamente menor en comparación con los modelos basados en Transformers o Redes Neuronales de Grafos.
Este artículo presenta un método basado en estadística bayesiana para promediar de manera robusta conjuntos de datos inconsistentes, demostrando su eficacia en diversos casos críticos y proporcionando una biblioteca de Python de libre acceso para su implementación.
Este artículo presenta un marco novedoso de incrustación hiperbólica para redes multicapa que, a diferencia de los enfoques existentes, genera representaciones específicas por capa preservando simultáneamente la estructura global multilayer, lo que permite un análisis detallado y comparativo de sistemas complejos como redes cerebrales y modelos estocásticos sintéticos.
El artículo presenta GollumFit, un marco de código abierto diseñado para realizar análisis de verosimilitud binned en telescopios de neutrinos, destacando su capacidad para optimizar eficientemente funciones de verosimilitud con decenas de parámetros de molestia específicos de observatorios como IceCube.
Esta guía presenta recomendaciones y consideraciones prácticas de investigadores de experimentos de física de partículas sobre el uso de técnicas de desdoblamiento no binnadas basadas en aprendizaje automático para eliminar las distorsiones del detector y permitir análisis de mayor dimensionalidad.
El artículo presenta IJazZ2.0, un método novedoso basado en la maximización de una verosimilitud analítica para determinar correcciones de escala y resolución de la energía de leptones en eventos Drell-Yan, el cual mejora la estabilidad numérica y reduce los costos computacionales al evitar convoluciones aleatorias y permitir el uso de diferenciación automática.