🔬 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.

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

Cette étude présente un cadre de distribution des énergies d'adsorption résolu par facette, utilisant des champs de force appris par machine pour analyser 1,4 million de sites d'adsorption sur diverses surfaces d'alliages, identifiant ainsi des compositions et des orientations spécifiques qui optimisent à la fois l'activité et la sélectivité en méthanol pour l'hydrogénation du 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

Cet article présente une approche d'appariement d'informations basée sur l'optimisation convexe et évolutive qui exploite la matrice d'information de Fisher pour sélectionner des données d'entraînement minimales et à haute valeur afin de prédire avec précision des grandeurs d'intérêt, résolvant ainsi les problèmes de pénurie de données et d'non-identifiabilité des paramètres dans diverses applications de modélisation scientifique et d'apprentissage actif.

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

Cet article rend compte de la première mesure expérimentale des distributions de temps de premier passage quantiques (QFPTDs) à l'aide d'un seul ion piégé, établissant un lien clair avec leurs équivalents classiques et ouvrant de nouvelles voies pour l'étude de la dynamique quantique, des algorithmes de recherche et du problème de la mesure.

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

Cette étude utilise la validation croisée bayésienne leave-one-out sur des données de chronométrage de pulsars pour comparer quatre modèles d'évolution des binaires de trous noirs supermassifs, révélant que si les preuves actuelles ne favorisent pas de manière décisive un modèle unique par rapport aux autres, les données soutiennent une suppression des basses fréquences induite par la matière noire ultra-légère sans pour autant la distinguer des scénarios génériques de durcissement environnemental.

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

D-MODD: A Diffusion Model of Opinion Dynamics Derived from Online Data

Cet article présente D-MODD, le premier modèle stochastique continu à base de données dérivé de données longitudinales de médias sociaux, qui décrit avec précision la dynamique réelle des opinions sur des sujets polarisés à l'aide d'une équation de type Langevin avec des fonctions de dérive et de diffusion reconstruites empiriquement.

Ixandra Achitouv, David Chavalarias, Raphael Fournier-S'niehotta2026-05-06🔬 physics

Partial Effective Information Decomposition for Synergistic Causality

Cet article présente la Décomposition Partielle de l'Information Effective (PEID), un cadre interventionniste novateur qui décompose de manière unique les influences causales multivariées en composantes uniques et synergiques sous des interventions d'entropie maximale, permettant ainsi la caractérisation de la causalité synergique, de la causalité descendante et de structures causales interprétables dans les systèmes complexes.

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

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

Ce papier présente OmniMol, un potentiel interatomique appris par machine à la pointe de l'art pour les petites molécules, qui exploite une architecture Transformer Point-Edge et un transfert de connaissances depuis la physique des hautes énergies pour obtenir des performances excellentes avec un micro-ajustement minimal et une inférence unique rapide.

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

Cet article présente un atelier d'analyse visuelle open source qui permet aux scientifiques d'interpréter, de valider et d'explorer des représentations basées sur des embeddings de données météorologiques et climatiques à grande échelle en reliant les résultats de recherche dans l'espace latent à leurs origines physiques et à leurs métadonnées, facilitant ainsi un flux de travail de découverte pour identifier et récupérer des événements analogues tels que les cyclones tropicaux.

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

Ce papier présente un cadre d'apprentissage automatique exploitant des réseaux de neurones convolutifs entraînés sur des observables de fonctions de réponse pour améliorer considérablement la classification des signaux d'ondes gravitationnelles destinée à tester la relativité générale, réalisant une amélioration de la sensibilité d'un facteur 33 par rapport aux entrées d'ondes standards et détectant avec succès des écarts dans les théories de la gravité massive.

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