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.
Este artículo propone dos métodos de aprendizaje simbólico, SyNF y SyTF, que generan ecuaciones algebraicas interpretables para pronosticar series temporales caóticas con una precisión competitiva frente a modelos de caja negra, permitiendo así una comprensión transparente de las dinámicas subyacentes en aplicaciones como la incidencia de dengue y el índice Niño 3.4.
Este artículo presenta la Descomposición Parcial de la Causalidad de Granger (PDGC), una herramienta basada en la descomposición de información parcial que permite disectar las interacciones causales redundantes y sinérgicas en redes fisiológicas, revelando patrones inéditos de disfunción autonómica en pacientes con síncope neurógeno mediante el análisis de series temporales cardiovasculares y cerebrovasculares.
Este artículo presenta un sistema de seguimiento de embarcaciones que fusiona datos de cámaras y LiDAR mediante un filtro de partículas con una política de selección de sensores adaptativa basada en la entropía, demostrando en un puerto real de Chipre que esta estrategia optimiza el equilibrio entre precisión y continuidad al activar dinámicamente el sensor más informativo según las condiciones ambientales.
Este artículo propone una arquitectura novedosa de Red Neuronal de Grafos Heterogéneos que, mediante un aprendizaje multitarea y capas de poda integradas, mejora significativamente la reconstrucción de hadrones de belleza y la asociación de vértices en colisiones de partículas del LHC, optimizando simultáneamente la escalabilidad y el tiempo de inferencia.
Este artículo presenta un método basado en secuencias simbólicas y un enfoque bayesiano para detectar dependencias de alto orden en series temporales multivariadas, modelándolas como hipergrafos que revelan interacciones significativas en sistemas neuronales y sociales.
El artículo demuestra que un modelo de lenguaje grande (Qwen2.5) adaptado con redes conectoras, denominado Lightcone LLM, supera a las inicializaciones estándar y compite favorablemente con redes dedicadas en tareas de física fundamental como la regresión de parámetros cosmológicos y la generación de mapas 3D de la estructura a gran escala del universo.
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 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 el método DE-AC, que extrae el valor propio dominante de la función de autocorrelación para predecir con mayor sensibilidad y especificidad la bifurcación de duplicación de periodo y el inicio de arritmias cardíacas, superando a las señales de alerta temprana 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.