332 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 intento pionero para rellenar el vacío de dos años en la serie de movimiento polar C01 del IERS correspondiente a 1858.9-1860.9, comparando un modelo astronómico paramétrico con un enfoque basado en Análisis Espectral Singular (SSA) y concluyendo que este último es preferible por basarse en un modelo de movimiento polar más completo.
Los autores desarrollan una red neuronal rotacionalmente invariante que optimiza de extremo a extremo la cartera de mínima varianza mediante el aprendizaje conjunto de transformaciones de retornos y la regularización de eigenvalores de matrices de covarianza, logrando una generalización robusta y un rendimiento superior en volatilidad, drawdown y ratio de Sharpe frente a competidores de vanguardia en un periodo de 2000 a 2024.
Este artículo busca mitigar la confusión existente entre los físicos sobre la descripción de resultados de muestreo Poisson comparando diversos métodos y recomendando el uso de los intervalos de confianza propuestos por Garwood debido a su comportamiento intuitivo y tratamiento consistente.
Este trabajo presenta un enfoque principiado que combina arquitecturas sobreprovisionadas con mecanismos diferenciables de esparsificación, supervisión profunda y selección de profundidad bajo un objetivo de longitud mínima de descripción, logrando así Kolmogorov-Arnold Networks (KANs) compactos e interpretables que mantienen o superan la precisión sin sacrificar la expresividad.
Este artículo revisa las justificaciones bayesianas para la naturalidad y la navaja de Occam, demostrando mediante cálculos pedagógicos que el formalismo bayesiano desfavorece automáticamente los modelos no naturales que requieren un ajuste fino de sus predicciones para coincidir con las observaciones.
Este estudio demuestra que la asimilación de observaciones del océano profundo es crucial para mejorar las predicciones de la superficie y subsuperficie en el Golfo de México, al revelar que las características iniciales de los remolinos mesoescalares profundos influyen significativamente en la evolución del campo superficial, como se evidencia durante el evento de separación del remolino del Eddy Thor.
Este artículo introduce un nuevo axioma que establece que ningún parámetro entrópico puede inferirse de una distribución uniforme, lo cual permite identificar consistentemente la entropía de Rényi como la única viable entre las generalizaciones existentes y permite estimar sus parámetros directamente a partir de datos mediante una generalización del principio de máxima verosimilitud.
El estudio revela que la participación temprana en el papel de intermediario (brokerage) en la academia genera una ventaja acumulativa que amplía las desigualdades de éxito entre físicos, afectando por igual a hombres y mujeres, lo que sugiere que fomentar estas oportunidades en etapas tempranas podría mitigar dichas disparidades.
Este artículo investiga el uso de redes generativas adversarias cuánticas (QGANs) para generar series temporales financieras sintéticas que no solo coinciden con la distribución objetivo, sino que también capturan las correlaciones temporales deseadas, demostrando que las correlaciones cuánticas pueden mejorar la calidad de los datos generados en comparación con los métodos clásicos.