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 estudio analiza las redes de comercio interurbano en el estado de Ceará, Brasil, utilizando una base de datos de 3.700 millones de facturas electrónicas para identificar comunidades económicas mediante el algoritmo Infomap y modelar su cohesión mediante modelos de máxima entropía.
Este artículo propone el proceso Poisson Log-Normal (PoLoN), un marco no paramétrico basado en procesos gaussianos que permite modelar, predecir y extraer señales de datos de conteo discretos, superando las limitaciones de los métodos tradicionales al capturar dependencias no lineales complejas.
Este estudio utiliza la teoría de perturbación singular y programas tensoriales para analizar la dinámica de escalas rápidas y lentas en redes neuronales de ancho infinito, revelando las condiciones matemáticas que provocan el fenómeno de "desaprendizaje de características" (*feature unlearning*) durante el entrenamiento con gradiente estocástico.
DerivKit es un paquete de Python que implementa diferenciación numérica estable para facilitar la inferencia estadística, sirviendo como puente entre los pronósticos rápidos de la matriz de Fisher y los métodos de muestreo intensivos como MCMC mediante aproximaciones de verosimilitud de orden superior.
Este artículo demuestra que incluso en experimentos de conteo de alta estadística, los tamaños de muestra finitos de Monte Carlo utilizados para modelar las incertidumbres sistemáticas causan que las aproximaciones asintóticas estándar para los intervalos de confianza de la razón de verosimilitud de perfil fallen, resultando en una subcobertura sistemática.
Almanac es un marco basado en el método de Monte Carlo por cadenas de Markov hamiltoniano que extrae mapas de todo el cielo sin ruido y sus correspondientes espectros de potencia a partir de observaciones cosmológicas ruidosas a través de múltiples contenedores de desplazamiento al rojo, proporcionando productos de datos posteriores independientes del modelo que evitan problemas como la fuga $EB$ y permiten diagnósticos robustos de errores sistemáticos o nueva física.
Este estudio compara cinco algoritmos distintos de detección de vacíos aplicados a la simulación IllustrisTNG para demostrar que, si bien el gradiente radial del sesgo de galaxias individuales dentro de los vacíos cósmicos es una característica robusta, la selección específica de galaxias anti-sesgadas y la contaminación por galaxias de frontera de alto sesgo dependen significativamente de la definición de vacío y de los umbrales de densidad adoptados.
Este artículo presenta MoreFit, un marco de alto rendimiento para la estimación de parámetros mediante máxima verosimilitud no agrupada en física de partículas que aprovecha grafos de computación compilados en tiempo de ejecución, optimizaciones automáticas novedosas y backends heterogéneos (OpenCL y LLVM/Clang) para lograr una velocidad y eficiencia superiores a través de diversas plataformas de hardware.
Este artículo evalúa sistemáticamente la sensibilidad de cuatro métodos de detección de anomalías semisupervisados ante hiperparámetros no ajustables en la búsqueda de física más allá del Modelo Estándar y propone una prueba de permutación no paramétrica robusta para la evaluación estadística.
Este artículo unifica la regresión por procesos gaussianos con la descomposición de modos dinámicos para abordar los desafíos de escalabilidad y optimización de hiperparámetros de los métodos del operador de Koopman basados en kernels, mejorando así la eficiencia computacional y la resiliencia al ruido en el modelado de sistemas dinámicos no lineales.