257 articoli
La fisica dei dati analitici esplora come la teoria fisica si fonde con l'analisi avanzata dei dati per rivelare nuovi modelli nella natura. Questo campo trasforma osservazioni complesse in intuizioni chiare, unendo leggi fondamentali a strumenti statistici moderni per decifrare fenomeni che vanno dalle particelle subatomiche alla struttura dell'universo.
Su Gist.Science, ogni nuovo preprint in questa categoria proveniente da arXiv viene elaborato con cura. Offriamo sia riassunti in linguaggio semplice per i curiosi, sia analisi tecniche dettagliate per gli esperti, rendendo la ricerca d'avanguardia accessibile a tutti senza perdere rigore scientifico.
Di seguito troverete le pubblicazioni più recenti in questo affascinante settore, pronte per essere esplorate e comprese.
Questo lavoro propone una metodologia data-driven basata su indici statistici e morfologici (HI, REA e TVE) per identificare automaticamente, senza conoscenze preliminari, le immagini termografiche più rappresentative dei difetti in materiali compositi.
Questo articolo deriva espressioni analitiche esatte per le funzioni di correlazione superficiale e poro-superficie nei modelli "dead-leave", validi per qualsiasi forma di grano e dimensione, illustrando i risultati con sfere monodisperse e una realizzazione di mezzo casuale di Debye che, pur avendo una funzione di correlazione superficie-superficie quasi identica a quella ricostruita numericamente, presenta una funzione di correlazione poro-superficie distintamente diversa.
Il paper propone un quadro unificato che risolve la tensione tra formazione di strutture ordinate e crescita dell'entropia dimostrando come l'ordine emerga a livello macroscopico attraverso la dinamica di trasporto non locale e l'attivazione di gradi di libertà di velocità, offrendo un linguaggio mesoscopico applicabile alla formazione di strutture cosmiche e ad altri sistemi complessi.
Questo articolo propone un framework di "dimensional lifting" variazionale che trasforma modelli di stato non lineari stocastici in sistemi lineari gaussiani di dimensione superiore, consentendo l'uso di tecniche di inferenza standard per ottenere un tracciamento robusto e accurato senza le instabilità strutturali dei filtri convenzionali.
Questo articolo propone il metodo GAPE (Genetic Algorithm Powered Evolution) per ottimizzare le reti neurali nell'analisi dei dati dell'esperimento PROSPECT, ottenendo stime di energia e posizione superiori e migliorando il rapporto segnale-rumore di circa 2,8 volte grazie a una strategia di addestramento specifica che mitiga i bias temporali.
Questo articolo introduce il numero speciale sulla regressione simbolica nelle scienze fisiche, delineandone i fondamenti concettuali, le applicazioni pratiche, le sfide metodologiche e le prospettive future, con l'obiettivo di evidenziare il suo crescente ruolo nella scoperta di relazioni matematiche interpretabili dai dati.
Questo lavoro presenta un approccio basato su operatori neurali informati dalla fisica per stimare l'ammettenza superficiale acustica direttamente da misurazioni in situ, garantendo stime robuste al rumore e fisicamente coerenti senza richiedere un modello di inversione esplicito.
Questo studio introduce un framework bayesiano basato sull'inferenza simulata per stimare in situ l'impedenza acustica superficiale dipendente dalla frequenza in ambienti interni complessi, utilizzando misurazioni sparse della pressione sonora e modelli neurali per ottenere stime robuste, accurate e con quantificazione dell'incertezza, superando i limiti delle tecniche di misura convenzionali.
Questo studio presenta una strategia di rilevamento delle anomalie basata su autoencoder convoluzionali addestrati su immagini di pedestal per l'estrazione rapida e non supervisionata di regioni di interesse dai dati del prototipo TPC ottico CYGNO, ottenendo un'efficienza di segnale superiore al 93% con una riduzione dell'area dell'immagine del 97,8% e un tempo di inferenza di 25 ms.
Il documento presenta i materiali e le risorse sviluppati per formare i fisici sull'uso di Apptainer, al fine di migliorare la riproducibilità, la portabilità e la collaborazione nell'analisi dei dati della fisica delle alte energie e nucleare.