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 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.
Questa ricerca introduce un modello di deep learning informato dalla fisica che combina spettroscopia Raman potenziata da superficie (SM-SERS) in nanopori plasmonici con tecniche di apprendimento temporale per rilevare con alta fedeltà le dinamiche di fosforilazione di singoli peptidi, superando le sfide legate al rumore di fondo e alla natura stocastica dei segnali.
Il paper presenta un framework basato su copule multivariate per costruire verosimiglianze non gaussiane delle funzioni di correlazione a due punti, dimostrando che, sebbene queste producano spostamenti significativi nei parametri cosmologici come per survey di medie dimensioni, le verosimiglianze gaussiane rimangono sufficienti per le future survey di stage-IV con aree di osservazione molto ampie.
Questo lavoro presenta un metodo di stima della massima verosimiglianza per determinare il kernel di fusione degli sciami da serie temporali complesse, offrendo uno strumento efficace per caratterizzare la struttura gerarchica dei dati empirici e simulati e per indagare i meccanismi sottostanti.
Il paper introduce FluxMC, un framework di inferenza basato sull'apprendimento automatico che combina Flow Matching e Parallel Tempering MCMC per superare le limitazioni computazionali dei metodi tradizionali, consentendo un'analisi rapida e ad alta fedeltà delle onde gravitazionali spaziali senza compromessi tra accuratezza del modello e velocità.
Utilizzando la teoria delle matrici casuali, lo studio dimostra che le matrici di covarianza incrociata e congiunta permettono di rilevare e ricostruire segnali condivisi in dati ad alta dimensionalità e sottocampionati con maggiore efficienza rispetto alle sole covarianze individuali, superando il rumore di campionamento grazie a transizioni di fase specifiche.
Questa recensione esamina come i metodi emergenti di intelligenza artificiale possano potenziare l'accoppiamento dei sistemi terrestri, superando i limiti dei modelli multicomponente tradizionali per favorire rappresentazioni più coerenti e unificate delle interazioni tra le sfere della Terra.