334 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.
Il paper presenta BuSyNet, un'architettura di deep learning che combina vincoli di consistenza dimensionale e trasformazioni simpatiche per scoprire espressioni simboliche di Hamiltoniane, ottenendo previsioni a lungo termine più accurate e stabili rispetto agli approcci esistenti su sistemi come l'oscillatore armonico e il problema dei due corpi di Keplero.
Questo studio introduce un nuovo Indice di Dipendenza dall'Auto (CDI) per quantificare il divario di accessibilità tra trasporto privato e pubblico in 18 città europee e nordamericane, dimostrando che solo espansioni sistemiche e di rete del trasporto pubblico, e non interventi isolati, possono ridurre efficacemente la dipendenza dall'auto e promuovere una mobilità urbana equa e sostenibile.
Questo studio dimostra come l'analisi delle componenti principali applicata alle istantanee della funzione d'onda possa massimizzare l'informazione contenuta nei dati e collegarla a osservabili fisiche, permettendo di spiegare le dinamiche quantistiche non equilibrate di catene di spin di Heisenberg e di estrarre correlazioni di ordine superiore.
Questo studio presenta una simulazione comparativa di tre metriche temporali per analizzare la variabilità aperiodica nelle curve di luce astronomiche, evidenziando come i diagrammi Δm-Δt e l'individuazione dei picchi offrano una caratterizzazione più robusta rispetto alla regressione gaussiana in presenza di rumore e campionamento irregolare, rendendo inoltre disponibile il software utilizzato per la ricerca aperta.
Questo studio analizza un modello di grafo casuale inhomogeneo con variabili di fitness a coda pesante e media infinita, caratterizzandone le distribuzioni asintotiche dei gradi, le correlazioni e la densità di strutture locali come cunei e triangoli, evidenziando una transizione nell'esistenza di vertici isolati.
Nonostante l'uso di dati ad alta risoluzione temporale e un modello di processo moltiplicativo, lo studio conferma che la distribuzione degli eventi violenti nei conflitti è lognormale, smentendo l'ipotesi che segua una legge di potenza.
Questo articolo esamina i principi della teoria della scala urbana e propone metodi per analizzare le variazioni interne alle città, sottolineando come le disparità all'interno di un singolo centro urbano possano essere più significative delle differenze osservate tra città diverse.
Questo articolo presenta un metodo di olografia temporale energetica che, sfruttando l'effetto Mössbauer e misurazioni sovrapposte nel dominio del tempo, risolve il problema della fase per la ricostruzione spettrale senza bisogno di modelli estesi, superando i limiti delle sorgenti gamma tradizionali.
Questo studio presenta un quadro di assimilazione dei dati basato su ensemble che combina l'algoritmo di Smoothed Particle Hydrodynamics e il filtro di Kalman per l'identificazione automatica ed efficiente dei parametri dei modelli materiali nelle simulazioni di impatto ad alta velocità, offrendo un metodo robusto per caratterizzare plasticità, frattura ed equazioni di stato con un singolo test.
Il paper introduce il Multiscale Clustering Bifiltration (MCbiF), un invariante completo basato sull'omologia persistente a due parametri che codifica le strutture di clustering non gerarchiche attraverso le loro intersezioni topologiche, permettendo di estrarre caratteristiche interpretabili che superano i metodi esistenti nelle applicazioni di machine learning e nell'analisi di dati reali come i gruppi sociali dei topi selvatici.