337 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 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 estudio demuestra que es posible investigar las complejas interacciones aerodinámicas entre alas y ráfagas mediante la síntesis de grandes volúmenes de datos experimentales en un conjunto reducido y representativo de "ejemplos canónicos" que, al utilizarse para entrenar modelos de aprendizaje automático, logran una precisión predictiva comparable a la de conjuntos de datos mucho más grandes.
Este estudio analiza las correlaciones colectivas y no lineales en un parque eólico de 80 turbinas, demostrando que la transición hacia un escalamiento impulsado por la turbulencia y la correlación de rasgos no gaussianos amplifican la variabilidad de la potencia total, lo cual es crucial para la gestión de la red eléctrica.
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.
Este artículo presenta un método sencillo para generar campos multifractales con propiedades de escala controladas mediante la transformación de campos gaussianos logarítmicos, y propone su aplicación inversa para analizar y desglosar datos experimentales, como la rugosidad en aleaciones metálicas fracturadas.
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 una variante de los modelos de grafos aleatorios exponenciales (ERG) basada en la aptitud (*fitness*) para reproducir tanto la media como la varianza de la distribución de grados en redes complejas, superando las limitaciones de los modelos lineales y de la aproximación de campo medio convencional.
Este artículo propone un algoritmo de agrupamiento topológico jerárquico aplicable con cualquier métrica de distancia, capaz de identificar clústeres de formas arbitrarias y valores atípicos en diversos tipos de datos donde otros métodos fallan.