🔬 Category

physics.data-an

252 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.

Decomposition of Anomalous Diffusion in two-state random walks

Este artículo demuestra que un paseo aleatorio de dos estados, que alterna entre un estado de reposo de paseo aleatorio de tiempo continuo y un estado de movimiento de paseo de Lévy, exhibe una coexistencia genérica de los efectos de José, Noé y Moisés, revelando que el acoplamiento estocástico con una fase de CTRW puede inducir fundamentalmente incrementos de cola pesada y envejecimiento en sistemas donde los paseos de Lévy por sí solos poseen únicamente el efecto de José.

Abhijit Bera, Kevin. E. Bassler2026-06-02🌀 nlin

Bayesian estimation of spectral parameters of the 6.7-GHz methanol maser G339.884-1.259 from GRAO observations

Este artículo presenta un marco de descomposición espectral bayesiana utilizando el muestreo de Cadenas de Markov de Monte Carlo para analizar observaciones del máser de metanol de 6.7 GHz G339.884$-$1.259 del Observatorio de Radioastronomía de Ghana, demostrando que un modelo de perfil Voigt supera los enfoques convencionales de Gauss y Lorentz en la resolución precisa de siete componentes de velocidad coherente y en la cuantificación de incertidumbres.

Theophilus Ansah-Narh, Stephen Sottie, Nia Imara, Emmanuel Proven-Adzri2026-06-02🔭 astro-ph

Proton High-Order Cumulants in Au+Au Collisions at High Baryon Density from JAM with a Centrality-Independent Framework

Este estudio utiliza el modelo JAM y un novedoso marco de Análisis de Cumulantes Genuinos Independiente de la Centralidad (CIGAR, por sus siglas en inglés) para analizar sistemáticamente los cumulantes de orden superior de protones en colisiones Au+Au a altas densidades bariónicas, proporcionando una línea base no crítica crucial para las búsquedas del punto crítico de QCD al eliminar eficazmente las fluctuaciones de volumen inicial y estudiar los efectos de los espectadores.

Yongcong Xu, Zhaohui Wang, Yu Zhang, Xiaofeng Luo2026-06-02⚛️ nucl-ex

Wasserstein normalized autoencoder for anomaly detection

Este artículo presenta el autoencoder normalizado de Wasserstein (WNAE), un novedoso modelo de detección de anomalías no supervisado que minimiza la distancia de Wasserstein entre los datos de entrenamiento y una distribución de Boltzmann de los errores de reconstrucción para identificar eficazmente jets semivisibles en el CERN LHC, superando al mismo tiempo los fallos de reconstrucción por valores atípicos comunes en los autoencoders estándar.

CMS Collaboration2026-06-01⚛️ hep-ex

Towards Continuous-time Causal Foundation Models

Este artículo propone un modelo fundacional causal de tiempo continuo que garantiza la invariancia de la ley de la trayectoria frente a los horarios de observación mediante la integración en una cuadrícula fina con observaciones desacopladas, demostrando un rendimiento superior sobre los métodos de integración ingenuos en diversos escenarios de dinámicas no lineales y datos irregulares.

Dennis Thumm, Ruben Wiedemann, Ying Chen2026-05-29🤖 cs.LG

Neural Scaling Laws for Jet Generation

Este artículo investiga las leyes de escalado neuronal para la generación de chorros de partículas, confirmando un escalado logarítmico con el tamaño del modelo y validando la pérdida de predicción del siguiente token como un proxy para la precisión física, al tiempo que observa tendencias de escalado más débiles para el tamaño del conjunto de datos y la capacidad computacional debido a la saturación rápida en el aprendizaje autoregresivo.

Oz Amram, Darius A. Faroughy, Tjarko Gerdes, Anna Hallin, Gregor Kasieczka, Michael Krämer, Humberto Reyes-Gonzalez, David Shih2026-05-29⚛️ hep-ex

`pandemonium`: High Dimensional Analysis in Linked Spaces

El artículo presenta `pandemonium`, un paquete de R que facilita el análisis de alta dimensión en espacios vinculados al combinar el análisis de conglomerados con visualizaciones vinculadas, como la reducción de dimensionalidad no lineal y las giras animadas, para explorar las relaciones entre predictores y respuestas en conjuntos de datos complejos como las activaciones de redes neuronales y los modelos físicos multivariables.

Gabriel McCoy, German Valencia, Ursula Laa2026-05-29📊 stat

Inverse generalised spin models of answers to questionnaires

Este artículo presenta y valida un protocolo de inferencia basado en Monte Carlo para modelos de espín generalizados (Ising, Blume-Capel y Blume-Emery-Griffiths) para analizar datos ordinales de cuestionarios, demostrando que el modelo Blume-Emery-Griffiths supera a los enfoques gaussianos tradicionales en la captura de características complejas como la multimodalidad y los valores atípicos, aunque todos los modelos tienen dificultades con distribuciones de colas pesadas.

Arianna Armanetti, Luca Cecchetti, Paolo Sarti, Diego Garlaschelli, Miguel Ibáñez-Berganza2026-05-29🔬 physics