physics.data-an 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.

Amortized Inference of Multi-Modal Posteriors using Likelihood-Weighted Normalizing Flows

Este trabajo presenta una técnica novedosa para la estimación amortizada de posteriores multimodales mediante flujos normalizadores entrenados con muestreo de importancia ponderado por verosimilitud, demostrando que inicializar el flujo con un modelo de mezcla gaussiana que coincida con la cardinalidad de los modos objetivo es crucial para evitar puentes de probabilidad espurios y mejorar la fidelidad de la reconstrucción en problemas inversos de alta dimensión.

Rajneil Baruah2026-02-23⚛️ hep-ex

CNN on `Top': In Search of Scalable & Lightweight Image-based Jet Taggers

Este trabajo presenta un clasificador de jets de quark top basado en una arquitectura EfficientNet ligera y escalable combinada con características globales, que logra un rendimiento competitivo con un coste computacional significativamente menor en comparación con los modelos basados en Transformers o Redes Neuronales de Grafos.

Rajneil Baruah, Subhadeep Mondal, Sunando Kumar Patra, Satyajit Roy2026-02-23⚛️ hep-ph

Generating temporal networks with the Ascona model

El artículo presenta un marco de muestreo basado en colas para generar redes temporales continuas con propiedades estocásticas controlables, incluyendo un análogo continuo de los modelos de bloques estocásticos, para validar métodos de detección de comunidades y patrones temporales.

Samuel Koovely2026-02-23🔢 math

Probabilistic Methods for Initial Orbit Determination and Orbit Determination in Cislunar Space

Este trabajo presenta un marco probabilístico para la determinación de órbitas en el espacio cis-lunar que combina un método de ajuste cinemático para la estimación inicial de estados con un filtro de Mezcla Gaussiana de Partículas para reducir la incertidumbre a lo largo del tiempo, superando las limitaciones del método de Gauss en dinámicas de tres cuerpos.

Ishan Paranjape, Tarun Hejmadi, Suman Chakravorty2026-02-23⚡ eess

A simple tool for weighted averaging of inconsistent data sets

Este artículo presenta un método basado en estadística bayesiana para promediar de manera robusta conjuntos de datos inconsistentes, demostrando su eficacia en diversos casos críticos y proporcionando una biblioteca de Python de libre acceso para su implementación.

Martino Trassinelli, Marleen Maxton2026-02-20⚛️ hep-ex

Hyperbolic embedding of multilayer networks

Este artículo presenta un marco novedoso de incrustación hiperbólica para redes multicapa que, a diferencia de los enfoques existentes, genera representaciones específicas por capa preservando simultáneamente la estructura global multilayer, lo que permite un análisis detallado y comparativo de sistemas complejos como redes cerebrales y modelos estocásticos sintéticos.

Martin Guillemaud, Vera Dinkelacker, Mario Chavez2026-02-20🧬 q-bio

GollumFit: An IceCube Open-Source Framework for Binned-Likelihood Neutrino Telescope Analyses

El artículo presenta GollumFit, un marco de código abierto diseñado para realizar análisis de verosimilitud binned en telescopios de neutrinos, destacando su capacidad para optimizar eficientemente funciones de verosimilitud con decenas de parámetros de molestia específicos de observatorios como IceCube.

IceCube Collaboration2026-02-20⚛️ hep-ex

A Practical Guide to Unbinned Unfolding

Esta guía presenta recomendaciones y consideraciones prácticas de investigadores de experimentos de física de partículas sobre el uso de técnicas de desdoblamiento no binnadas basadas en aprendizaje automático para eliminar las distorsiones del detector y permitir análisis de mayor dimensionalidad.

Florencia Canelli, Kyle Cormier, Andrew Cudd, Dag Gillberg, Roger G. Huang, Weijie Jin, Sookhyun Lee, Vinicius Mikuni, Laura Miller, Benjamin Nachman, Jingjing Pan, Tanmay Pani, Mariel Pettee, Youqi S (…)2026-02-20⚛️ hep-ex

Impact of Geant4's Electromagnetic Physics Constructors on Accuracy and Performance of Simulations for Rare Event Searches

Este estudio cuantifica el impacto de los constructores de física electromagnética de Geant4 en la precisión de la deposición de energía y el rendimiento computacional para simulaciones de búsquedas de eventos raros en detectores de CaWO $_4$ y Ge, con el fin de facilitar la selección de configuraciones óptimas para experimentos de baja radiactividad.

H. Kluck, R. Breier, A. Fuß, V. Mokina, V. Palušová, P. Povinec2026-02-20🔭 astro-ph

Distillation and Interpretability of Ensemble Forecasts of ENSO Phase using Entropic Learning

Este artículo presenta un marco de destilación que comprime un ensemble de modelos eSPA en un conjunto reducido de modelos interpretables para predecir la fase de ENSO hasta 24 meses con antelación, preservando la habilidad predictiva mientras revela los mecanismos físicos y la complejidad espacial subyacentes, especialmente en relación con la barrera de predictibilidad de primavera boreal.

Michael Groom, Davide Bassetti, Illia Horenko, Terence J. O'Kane2026-02-20📊 stat

← Anterior Siguiente →