🔬 Category

physics.data-an

252 articles

La physique des données-analytiques explore comment les mathématiques et les statistiques éclairent les phénomènes naturels, transformant des observations brutes en lois fondamentales. Sur Gist.Science, nous rendons ces travaux complexes accessibles à tous, en décryptant les mécanismes qui régissent notre univers sans jargon inutile.

Chaque nouveau prépublication dans ce domaine provenant d'arXiv est analysé par nos soins. Nous proposons systématiquement deux versions de chaque article : un résumé clair pour le grand public et une explication technique détaillée pour les experts, garantissant ainsi une compréhension approfondie quelle que soit votre expertise.

Découvrez ci-dessous la sélection la plus récente de ces recherches passionnantes, où la rigueur scientifique rencontre la clarté de l'explication.

Decomposition of Anomalous Diffusion in two-state random walks

Cet article démontre qu'une marche aléatoire à deux états, qui bascule entre un état de repos de marche aléatoire en temps continu et un état de mouvement de marche de Lévy, présente une coexistence générique des effets Joseph, Noé et Moïse, révélant qu'un couplage stochastique avec une phase de marche aléatoire en temps continu peut fondamentalement induire des incréments à queue lourde et un vieillissement dans des systèmes où les marches de Lévy seules ne possèdent que l'effet Joseph.

Abhijit Bera, Kevin. E. Bassler2026-06-02🌀 nlin

Bayesian estimation of spectral parameters of the 6.7-GHz methanol maser G339.884-1.259 from GRAO observations

Cet article présente un cadre de décomposition spectrale bayésienne utilisant l'échantillonnage par chaîne de Markov de Monte Carlo pour analyser les observations du maser méthanol à 6,7 GHz de G339.884$-$1.259 provenant de l'Observatoire de radioastronomie du Ghana, démontrant qu'un modèle de profil de Voigt surpasse les approches conventionnelles gaussiennes et lorentziennes pour résoudre avec précision sept composantes de vitesse cohérente et quantifier les incertitudes.

Theophilus Ansah-Narh, Stephen Sottie, Nia Imara, Emmanuel Proven-Adzri2026-06-02🔭 astro-ph

Proton High-Order Cumulants in Au+Au Collisions at High Baryon Density from JAM with a Centrality-Independent Framework

Cette étude utilise le modèle JAM et un nouveau cadre d'analyse des cumulants authentiques indépendants de la centralité (CIGAR) pour analyser systématiquement les cumulants de protons d'ordre supérieur dans les collisions Au+Au à haute densité baryonique, fournissant une ligne de base non critique cruciale pour les recherches du point critique de la QCD en éliminant efficacement les fluctuations de volume initial et en investiguant les effets de spectateur.

Yongcong Xu, Zhaohui Wang, Yu Zhang, Xiaofeng Luo2026-06-02⚛️ nucl-ex

Wasserstein normalized autoencoder for anomaly detection

Ce document présente l'autoencodeur normalisé de Wasserstein (WNAE), un nouveau modèle de détection d'anomalies non supervisé qui minimise la distance de Wasserstein entre les données d'entraînement et une distribution de Boltzmann des erreurs de reconstruction afin d'identifier efficacement les jets semi-visibles au CERN LHC tout en surmontant les échecs de reconstruction dus aux valeurs aberrantes fréquents dans les autoencodeurs standards.

CMS Collaboration2026-06-01⚛️ hep-ex

Model-Agnostic Signal Discovery with Machine Learning: Bridging the Gap Between Theory and Practice

Cet article passe en revue le cadre conceptuel, les pièges potentiels et les stratégies de validation des techniques de recherche agnostiques du modèle basées sur l'IA, conçues pour accroître le potentiel de découverte de données scientifiques complexes en privilégiant une exploration large plutôt que des hypothèses théoriques spécifiques.

Oz Amram, Marco Letizia, Mikael Kuusela2026-06-01⚛️ hep-ex

Towards Continuous-time Causal Foundation Models

Ce papier propose un modèle fondamental causal en temps continu qui garantit l'invariance de la trajectoire-loi par rapport aux calendriers d'observation grâce à une intégration sur grille fine avec des observations découplées, démontrant des performances supérieures aux méthodes d'intégration naïves à travers diverses dynamiques non linéaires et scénarios de données irréguliers.

Dennis Thumm, Ruben Wiedemann, Ying Chen2026-05-29🤖 cs.LG

Neural Scaling Laws for Jet Generation

Cet article examine les lois d'échelle neuronales pour la génération de jets de particules, confirmant une échelle logarithmique avec la taille du modèle et validant la perte de prédiction du prochain token comme indicateur de précision physique, tout en observant des tendances d'échelle plus faibles pour la taille des jeux de données et la puissance de calcul en raison d'une saturation rapide dans l'apprentissage autorégressif.

Oz Amram, Darius A. Faroughy, Tjarko Gerdes, Anna Hallin, Gregor Kasieczka, Michael Krämer, Humberto Reyes-Gonzalez, David Shih2026-05-29⚛️ hep-ex

`pandemonium`: High Dimensional Analysis in Linked Spaces

L'article présente `pandemonium`, un package R facilitant l'analyse en haute dimension dans des espaces liés en combinant l'analyse en clusters avec des visualisations liées, telles que la réduction non linéaire de dimension et les tournées animées, pour explorer les relations entre prédicteurs et réponses dans des ensembles de données complexes comme les activations de réseaux de neurones et les modèles physiques multivariables.

Gabriel McCoy, German Valencia, Ursula Laa2026-05-29📊 stat

Inverse generalised spin models of answers to questionnaires

Ce papier introduit et valide un protocole d'inférence basé sur Monte Carlo pour des modèles de spin généralisés (Ising, Blume-Capel et Blume-Emery-Griffiths) afin d'analyser des données de questionnaires ordinaux, démontrant que le modèle de Blume-Emery-Griffiths surpasse les approches gaussiennes traditionnelles pour capturer des caractéristiques complexes comme la multimodalité et les valeurs aberrantes, bien que tous les modèles peinent avec les distributions à queues lourdes.

Arianna Armanetti, Luca Cecchetti, Paolo Sarti, Diego Garlaschelli, Miguel Ibáñez-Berganza2026-05-29🔬 physics