🔬 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.

Improving robustness of jet tagging algorithms with adversarial training: exploring the loss surface

Cet article démontre que l'entraînement adversaire améliore la robustesse des algorithmes d'étiquetage de saveur de jets basés sur l'apprentissage profond face aux distorsions d'entrée, qui servent de proxy pour les incertitudes systématiques, en exploitant des insights géométriques issus de la surface de perte pour maintenir des performances élevées tout en atténuant les vulnérabilités du modèle.

Annika Stein2026-05-15⚛️ hep-ph

Double Metric Learning for Building Directed Graphs with Chain Connections for the ATLAS ITk Detector

Ce papier propose une approche d'"apprentissage métrique double" qui apprend deux représentations de nœuds distinctes pour résoudre les conflits dans la construction de graphes orientés avec des connexions en chaîne pour le détecteur ITk d'ATLAS, démontrant une performance améliorée dans la construction de graphes et la prédiction de la direction des arêtes pour les particules à haute impulsion transverse par rapport à un apprentissage métrique simple.

Jay Chan2026-05-15⚛️ hep-ex

Ant Colony Optimization for Density Functionals in Strongly Correlated Systems

Ce papier démontre que l'adaptation de l'algorithme d'optimisation par colonie de fourmis pour ajuster le fonctionnel de densité FVC réduit considérablement l'erreur relative moyenne dans la prédiction des énergies d'état fondamental pour les systèmes fortement corrélés à travers diverses dimensionalités, atteignant une réduction de l'erreur allant jusqu'à 67 % avec un faible coût computationnel.

G. M. Tonin, T. Pauletti, R. M. Dos Santos, V. V. França2026-05-14🔬 cond-mat

A Quantum Reservoir Computing Approach to Quantum Stock Movement Forecasting in Quantum-Invested Markets

Cet article présente un cadre de calcul par réservoir quantique indépendant de la plateforme, utilisant un système à six qubits à petite échelle pour atteindre une précision supérieure à 86 % dans la prévision des tendances boursières et des volumes de négociation des entreprises du secteur quantique, démontrant ainsi le potentiel du matériel quantique à court terme pour l'analyse de séries temporelles financières complexes.

Wendy Otieno, Alexandre Zagoskin, Alexander G. Balanov, Juan Totero Gongora, Sergey E. Savel'ev2026-05-14⚛️ quant-ph

The influence of data gaps and outliers on resilience indicators

Cette étude démontre mathématiquement que les lacunes de données et les valeurs aberrantes compromettent considérablement la fiabilité des indicateurs de résilience fondés sur la variance et l'autocorrélation, les valeurs manquantes affaiblissant leur concordance et les valeurs aberrantes entraînant une surestimation systématique de la stabilité du système.

Teng Liu, Andreas Morr, Sebastian Bathiany, Lana L. Blaschke, Zhen Qian, Chan Diao, Taylor Smith, Niklas Boers2026-05-13🌀 nlin

Analytic Marginalization over Binary Variables in Physics Data

Ce papier démontre que la marginalisation exacte des variables de correction binaires dans les données physiques est mathématiquement équivalente au modèle d'Ising, permettant l'utilisation d'outils efficaces de physique statistique pour gérer des configurations exponentiellement complexes et quantifier avec précision les incertitudes dans des applications telles que l'étalonnage des supernovae de type Ia.

Marcus Högås, Edvard Mörtsell2026-05-13🔬 cond-mat

CVEvolve: Autonomous Algorithm Discovery for Unstructured Scientific Data Processing

CVEvolve est un système agentique autonome et sans code qui exploite les LLM et une stratégie de recherche multi-tours pour découvrir et optimiser de manière indépendante des algorithmes de traitement de données scientifiques, permettant aux scientifiques de domaine d'analyser efficacement des données complexes et non structurées sans nécessiter une expertise approfondie en programmation.

Ming Du, Xiangyu Yin, Yanqi Luo, Dishant Beniwal, Songyuan Tang, Hemant Sharma, Mathew J. Cherukara2026-05-13🤖 cs.AI

Self-learning signal classifier for decameter coherent scatter radars

Ce papier présente un classificateur de signaux auto-apprenant pour les radars à diffusion cohérente décamétriques qui construit automatiquement un modèle à partir de deux années de données provenant de 12 radars SuperDARN et SECIRA afin d'identifier 14 classes séparables avec confiance, basées sur une combinaison de paramètres radar mesurés et de caractéristiques de propagation des ondes radio modélisées.

Oleg Berngardt, Ivan Lavygin2026-05-12🤖 cs.LG

BB plot: A Tool for Accurate Model Selection Using Bayes factors

Cet article présente le graphique facteur de Bayes-facteur de Bayes (BB), un outil diagnostique qui exploite la relation entre les facteurs de Bayes et leurs distributions sous des hypothèses concurrentes pour valider l'exactitude des calculs et estimer efficacement les distributions de fond, comme le démontrent des applications en astronomie des ondes gravitationnelles, notamment l'évaluation de la signification statistique de GW231123.

Ankur Barsode2026-05-12✓ Author reviewed ⓘ⚛️ gr-qc