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 enfoque basado en aprendizaje automático que utiliza el monitoreo continuo de trayectorias espacio-temporales y clustering con autoencoders para detectar transiciones de fase fuera del equilibrio en sistemas cuánticos abiertos, evitando la necesidad de estimar estados completos mediante un gran número de mediciones proyectivas.
Este trabajo demuestra que un sistema de agentes basado en modelos de lenguaje grandes (LLM) puede automatizar tareas de análisis de datos en física de partículas, logrando mediante la generación iterativa de código resultados de detección de anomalías que igualan el rendimiento de las soluciones humanas más avanzadas.
Este artículo identifica un nuevo mecanismo general para la emergencia de comportamientos críticos en sistemas multiplicativos aleatorios multidimensionales, donde la amplificación transitoria causada por la no normalidad y la falta de ortogonalidad de los autovectores incrementa el exponente de Lyapunov efectivo y reduce el exponente de la cola de la distribución, generando así leyes de potencia dominantes a medida que crece la dimensión del sistema.
Este estudio utiliza datos históricos de los relojes atómicos del sistema GPS para realizar una búsqueda retrospectiva de campos ultraligeros emitidos durante la fusión de estrellas de neutrones GW170817, estableciendo nuevos límites de exclusión para la física exótica en un rango de energía específico sin detectar señales significativas.
Este trabajo presenta un modelo de aprendizaje profundo híbrido que combina un autoencoder y un proceso gaussiano para reconstruir la función de dispersión del punto (PSF) con mayor precisión que el método PIFF actual, abordando la falta de coherencia espacial en los campos de visión completos y estableciendo las bases para su integración en los análisis de lentes gravitacionales débiles del futuro Observatorio Vera C. Rubin.
Este trabajo demuestra que el método de Inferencia Basada en Simulación (SBI) asistido por redes neuronales, específicamente la Estimación de la Posterioridad Neuronal (NPE), supera a los enfoques tradicionales como MCMC al generar distribuciones posteriores precisas y eficientes para espacios de parámetros de modelos BSM complejos, como el pMSSM, incluso al incorporar restricciones de física de Higgs, sabor y materia oscura.
Este artículo presenta un marco general de Inferencia Basada en Simulación que utiliza Flujos Normalizantes Factorizables y una estrategia de entrenamiento amortizado para perfilar eficientemente parámetros de incertidumbre sistemática mientras se miden distribuciones multivariadas de interés en un solo proceso de optimización.
Este artículo propone un enfoque secuencial bayesiano para la inversión de onda completa en tiempo-lapse utilizando el método Hamiltonian Monte Carlo, el cual integra la información de la encuesta de base como conocimiento previo para estimar cambios dinámicos en el interior de la Tierra con una cuantificación eficiente de la incertidumbre y resultados precisos comparables a los métodos paralelos.
Este artículo deriva las distribuciones estacionarias de un modelo extendido de Chiarella para mercados financieros, analizando cómo la competencia entre componentes de tendencia y reversión a la media genera cambios en la unimodalidad o bimodalidad de las distribuciones según los regímenes de ruido y retroalimentación.
Este estudio propone un método para inferir los parámetros y las variables macroscópicas ocultas de redes neuronales finitas mediante la sincronización de un modelo de campo medio con una única observación escalar de la red.