🔬 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.

Selectivity- and Activity-Aware Catalyst Descriptors for CO2_2 Hydrogenation on Alloy Nanocatalysts using Machine-Learned Force Fields

Este estudio introduce un marco de distribución de energía de adsorción resuelto por facetas que utiliza campos de fuerza aprendidos por máquina para analizar 1,4 millones de sitios de adsorción en diversas superficies de aleación, identificando así composiciones y orientaciones específicas que optimizan tanto la actividad como la selectividad hacia metanol para la hidrogenación de CO2_2.

Prajwal Pisal, Ondřej Krejčí, Patrick Rinke2026-05-11🔬 cond-mat.mtrl-sci

An information-matching approach to optimal experimental design and active learning

Este artículo presenta un enfoque escalable de coincidencia de información basado en optimización convexa que aprovecha la matriz de información de Fisher para seleccionar datos de entrenamiento mínimos y de alto valor con el fin de predecir con precisión cantidades de interés, abordando así la escasez de datos y la no identificabilidad de parámetros en diversas aplicaciones de modelado científico y aprendizaje activo.

Yonatan Kurniawan, Tracianne B. Neilsen, Benjamin L. Francis, Alex M. Stankovic, Mingjian Wen, Ilia Nikiforov, Ellad B. Tadmor, Vasily V. Bulatov, Vincenzo Lordi, Mark K. Transtrum2026-05-08🔬 physics.app-ph

Experimental measurement of quantum-first-passage-time distributions

Este artículo reporta la primera medición experimental de las Distribuciones de Tiempo de Primer Paso Cuántico (QFPTDs) utilizando un solo ion atrapado, estableciendo una conexión clara con sus contrapartes clásicas y abriendo nuevas vías para investigar la dinámica cuántica, los algoritmos de búsqueda y el problema de la medición.

Joseph M. Ryan, Simon Gorbaty, Thomas J. Kessler, Mitchell G. Peaks, Stephen W. Teitsworth, Crystal Noel2026-05-08⚛️ quant-ph

Bayesian leave-one-out cross-validation for astrophysical model comparison using gravitational-wave background data

Este estudio emplea la validación cruzada bayesiana de tipo leave-one-out en datos de un arreglo de cronometraje de púlsares para comparar cuatro modelos de evolución de binarias de agujeros negros supermasivos, hallando que, si bien la evidencia actual no favorece decisivamente ningún modelo único sobre los demás, los datos respaldan la supresión de baja frecuencia inducida por materia oscura ultraligera sin distinguirla aún de escenarios genéricos de endurecimiento ambiental.

Shreyas Tiruvaskar, Chris Gordon2026-05-08🔭 astro-ph

Partial Effective Information Decomposition for Synergistic Causality

Este artículo introduce la Descomposición Parcial de Información Efectiva (PEID), un marco intervencionista novedoso que descompone de manera única las influencias causales multivariadas en componentes únicos y sinérgicos bajo intervenciones de máxima entropía, permitiendo así la caracterización de la causalidad sinérgica, la causalidad descendente y las estructuras causales interpretables en sistemas complejos.

Mingzhe Yang, Shuo Wang, Jiang Zhang2026-05-06📊 stat

OmniMol: Transferring Particle Physics Knowledge to Molecular Dynamics with Point-Edge Transformers

Este artículo presenta OmniMol, un potencial interatómico aprendido por máquina de última generación para moléculas pequeñas que aprovecha una arquitectura Transformer de puntos y aristas y la transferencia de conocimiento desde la física de altas energías para lograr un rendimiento excelente con un ajuste fino mínimo y una inferencia excepcionalmente rápida.

Ibrahim Elsharkawy, Vinicius Mikuni, Wahid Bhimji, Benjamin Nachman2026-05-05⚛️ hep-ex

Toward a Scientific Discovery Engine for Weather and Climate Data: A Visual Analytics Workbench for Embedding-Based Exploration

Este artículo presenta un banco de trabajo de análisis visual de código abierto que permite a los científicos interpretar, validar y explorar representaciones basadas en incrustaciones de datos meteorológicos y climáticos a gran escala, vinculando los resultados de la búsqueda en el espacio latente con sus orígenes físicos y metadatos, lo que facilita un flujo de trabajo de descubrimiento para identificar y recuperar eventos análogos como ciclones tropicales.

Nihanth W. Cherukuru, Matt Rehme, Kirsten J. Mayer, David John Gagne, John Schreck, John Clyne, Charlie Becker2026-05-05🔬 physics

Testing General Relativity Through Gravitational Wave Classification: A Convolutional Neural Network Framework

Este artículo presenta un marco de aprendizaje automático que utiliza redes neuronales convolucionales entrenadas en observables de funciones de respuesta para mejorar significativamente la clasificación de señales de ondas gravitacionales para probar la relatividad general, logrando una mejora de 33 veces en la sensibilidad sobre las entradas de forma de onda estándar y detectando con éxito desviaciones en teorías de gravedad masiva.

Lavinia Heisenberg, Shayan Hemmatyar, Hector Villarrubia-Rojo2026-05-05⚛️ gr-qc