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.
Este estudio propone un marco de modelado sustituto de fidelidad múltiple basado en co-kriging recursivo para predecir con alta precisión y bajo costo computacional los coeficientes de carga de viento en portacontenedores modernos, considerando tanto su geometría como la influencia de estructuras cercanas en entornos portuarios.
Este trabajo propone una nueva arquitectura denominada Temporal U-Net, que integra una pérdida perceptual y un puente basado en principios físicos para lograr una interpolación de dinámica de fluidos de alta fidelidad, superando el desenfoque espacial y la falta de detalle de los métodos convencionales.
Este artículo presenta ArchGEM, un marco de trabajo automatizado que utiliza métodos de detección de picos y modelos de mezcla gaussiana para identificar y caracterizar el ruido de luz dispersa en los detectores LIGO, permitiendo vincular las características espectrales con el movimiento de las superficies causantes del ruido.
El artículo propone que la constante relación de temperatura entre el EUV y la radio en el Sol tranquilo () es una medida de la divergencia de información (entropía relativa) entre dos proyecciones distintas de una distribución de electrones no térmica sobre una familia de distribuciones Maxwellianas.
Este estudio demuestra que la intermitencia en la turbulencia extiende la longitud de coherencia de Markov-Einstein mucho más allá del valor canónico, revelando que los eventos extremos poseen una memoria significativamente mayor que el resto del cascada de energía.
Este artículo presenta DySIB, un método basado en el principio de cuello de botella de información que permite recuperar las variables de estado y la geometría del espacio de fases de un sistema dinámico a partir de datos experimentales de alta dimensión sin necesidad de supervisión ni reconstrucción de las observaciones.
Este artículo presenta un método para calcular estadísticas locales (media, varianza, etc.) en cuadrículas cartesianas y polares con datos incompletos, utilizando operadores espectrales que mitigan artefactos de borde y garantizan la estabilidad en regiones con poco soporte.
Este estudio presenta la primera determinación integral de las precisiones esperadas para las desintegraciones hadrónicas del bosón de Higgs () en el FCC-ee mediante un ajuste combinado de los procesos de radiación de Higgs y fusión de bosones vectoriales, logrando precisiones a nivel de por mil y estableciendo por primera vez la sensibilidad para evidenciar el acoplamiento de Yukawa del quark extraño.
Este trabajo aborda las limitaciones de las investigaciones previas en detección de anomalías resonantes proponiendo nuevos modelos de señal y un conjunto de observables "kitchen sink" que combina polinomios de flujo de energía y variables de subjetividad, logrando una sensibilidad superior a una amplia gama de señales y demostrando que una variante de bagging de atributos puede reducir significativamente el costo de entrenamiento manteniendo un rendimiento comparable.
Este estudio evalúa el diseño y entrenamiento de emuladores basados en aprendizaje científico para los procesos de microfísica de aerosoles en el modelo E3SMv2, demostrando que la convergencia óptima, la estrategia de escalado y una arquitectura de red moderadamente compleja permiten reproducir con precisión las características clave de los cambios en la concentración de aerosoles.