333 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 trabajo presenta un operador neuronal informado por la física que estima la admisión superficial acústica dependiente de la frecuencia directamente a partir de mediciones de campo cercano, integrando las ecuaciones gobernantes del sonido en el entrenamiento para lograr una caracterización precisa y robusta al ruido de materiales absorbentes sin necesidad de un modelo directo explícito.
Este estudio evalúa y compara tres enfoques analíticos para cuantificar la transferencia de masa impulsada por inyección en medios porosos mediante microtomografía computarizada, demostrando que, aunque todos proporcionan coeficientes de transferencia similares, la elección del método depende del equilibrio entre el nivel de detalle físico deseado y los recursos computacionales disponibles, tras aplicar una técnica de filtrado para mitigar sesgos por removilización de clusters.
Este trabajo utiliza la teoría de la difusión para derivar soluciones analíticas a ecuaciones diferenciales estocásticas que modelan el ruido rojo y las señales de fondo de ondas gravitacionales en el cronometraje de púlsares, revelando la inconsistencia matemática de ciertos modelos de frecuencia y proponiendo alternativas basadas en osciladores armónicos y modelos de dos componentes que explican la no estacionariedad observada.
Este trabajo establece la relación entre los términos de las ecuaciones de Langevin multidimensionales y sus propiedades estadísticas, abarcando desde dinámicas lineales gaussianas hasta procesos subamortiguados y la detección de no-Markovianidad.
Los autores presentan una estrategia de metrología bayesiana adaptativa e informada por simetrías que optimiza la estimación de parámetros en el límite de pocos datos, logrando una reducción de cinco veces en la varianza fraccional y acelerando la recolección de datos en experimentos de tecnología cuántica.
Este estudio presenta un marco bayesiano basado en inferencia por simulación que utiliza redes neuronales y un modelo de oscilador amortiguado con cálculo fraccional para estimar de manera precisa y robusta las impedancias acústicas superficiales en entornos interiores complejos a partir de mediciones de presión sonora escasas, superando las limitaciones de los métodos convencionales.
Este artículo presenta una estrategia de detección de anomalías no supervisada basada en autoencoders convolucionales entrenados con imágenes de pedestal para la extracción rápida y eficiente de regiones de interés en las cámaras de proyección de tiempo ópticas del experimento CYGNO, logrando una reducción significativa del área de imagen sin comprometer la señal reconstruida.
Este artículo presenta los materiales y recursos desarrollados para capacitar a físicos en tecnologías de contenedores mediante Apptainer, con el objetivo de mejorar la reproducibilidad, portabilidad y colaboración en el análisis de datos de la física de altas energías y nuclear.
Este artículo presenta un marco geométrico basado en la teoría de gauge para el blanqueamiento adaptativo en detectores de ondas gravitacionales, reformulando el problema mediante transporte paralelo en un fibrado principal para demostrar que la conexión de fase mínima garantiza una ley de actualización holonómica libre de histéresis y estableciendo así una base rigurosa para el procesamiento de señales en redes de detectores de próxima generación.
El artículo presenta un marco de aprendizaje automático que combina la factorización de matrices no negativas y la computación de reservorio adaptable a parámetros para predecir con precisión el momento de puntos de inflexión en sistemas dinámicos espaciotemporales complejos y proyecciones climáticas, logrando una alta robustez y reduciendo significativamente la carga computacional.