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 presenta un algoritmo de imagen bayesiana basado en la teoría del campo de información que, al aplicar técnicas de desruido, deconvolución y descomposición a los datos de eROSITA de la LMC y SN1987A, mejora la sensibilidad y la resolución espacial para revelar estructuras finas y fuentes puntuales.
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 artículo demuestra que el filtrado gaussiano de las coordenadas de simulaciones de dinámica molecular permite recuperar estados conformacionales ocultos y definir mejor el paisaje de energía libre, mitigando los artefactos causados por la proyección de alta a baja dimensión.
Este artículo propone versiones modificadas de la Sincronización de Eventos (ES) y el Análisis de Coincidencia de Eventos (ECA) para abordar problemas de normalización y tratamiento de límites, concluyendo que, aunque la ES es sensible a la dependencia serial y el agrupamiento de eventos, la ECA se presenta como un método más robusto y recomendado para el análisis de sincronización en series temporales de eventos de diversas disciplinas.
Este artículo presenta un modelo autoregresivo complejo simple y eficiente que, al representar la irradiancia solar global como parte real y su volatilidad como parte imaginaria, logra predicciones deterministas y probabilísticas precisas que superan en ocasiones a modelos clásicos más sofisticados.
Este artículo propone y valida un marco riguroso para la comparación de modelos de pronóstico de radiación solar mediante cinco métodos de referencia ingenuos, destacando que la combinación de modelos y el nuevo enfoque ARTU ofrecen los mejores resultados estadísticos para establecer benchmarks justos según las características de los datos y el horizonte de predicción.
Este artículo presenta un método novedoso de tomografía de textura que utiliza la dispersión para reconstruir distribuciones de orientación en muestras policristalinas anisotrópicas mediante funciones base que aprovechan la esparsidad y la no negatividad, permitiendo resolver microestructuras de alta resolución angular en materiales como martensita y conchas de gasterópodos sin necesidad de identificar picos individuales ni resolver dominios de red individuales.
Este artículo propone un enfoque de pronóstico solar a corto plazo libre de modelos de cielo despejado que utiliza Máquinas de Aprendizaje Extremo (ELM) para aprender directamente de los datos de irradiancia, superando las limitaciones de sincronización y sensibilidad de los métodos tradicionales y ofreciendo predicciones precisas y robustas.
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 trabajo presenta un marco robusto basado en el Coeficiente de Variación Estocástico (sCV) y la Forecastabilidad (F) para cuantificar la variabilidad y la previsibilidad de la irradiación solar, superando las limitaciones de las métricas tradicionales y permitiendo una gestión energética más eficiente mediante la validación con datos de 68 estaciones meteorológicas en España.