physics.data-an 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.

Guesswork in the gap: the impact of uncertainty in the compact binary population on source classification

Lo studio analizza 66 eventi della terza raccolta di dati delle onde gravitazionali per dimostrare che l'incertezza sui modelli di popolazione binaria compatta, in particolare le preferenze di accoppiamento e le distribuzioni di rotazione, influenza significativamente la probabilità di classificare gli oggetti nella "lacuna di massa inferiore" come stelle di neutroni, rendendo talvolta ambigue le identificazioni di eventi come GW230529 e GW190425.

Utkarsh Mali, Reed Essick2026-03-24⚛️ gr-qc

Resolution and Robustness Bounds for Reconstructive Spectrometers

Questo studio stabilisce un quadro teorico fondato sulla fisica che, utilizzando la teoria delle matrici casuali, collega i parametri fisici chiave alla risoluzione e alla robustezza degli spettrometri ricostruttivi, definendo i limiti fondamentali e le condizioni per ottenere una "super-risoluzione".

Changyan Zhu, Hsuan Lo, Jianbo Yu, Qijie Wang, Y. D. Chong2026-03-24🔬 physics.optics

Trigger Optimization and Event Classification for Dark Matter Searches in the CYGNO Experiment Using Machine Learning

Il documento presenta due approcci basati sul machine learning per l'ottimizzazione del trigger e la classificazione degli eventi nell'esperimento CYGNO: un metodo non supervisionato per la riduzione dei dati online che identifica anomalie tramite autoencoder e un'applicazione debolmente supervisionata del framework CWoLa per distinguere le topologie di rinculo nucleare, entrambi validati su dati reali con elevate prestazioni di efficienza e riduzione del volume dati.

F. D. Amaro, R. Antonietti, E. Baracchini, L. Benussi, C. Capoccia, M. Caponero, L. G. M. de Carvalho, G. Cavoto, I. A. Costa, A. Croce, M. D'Astolfo, G. D'Imperio, G. Dho, E. Di Marco, J. M. F. dos S (…)2026-03-24🔬 physics

Physics-Aware, Shannon-Optimal Compression via Arithmetic Coding for Distributional Fidelity

Il paper propone un approccio basato sulla codifica aritmetica e sulla teoria dell'informazione per definire una metrica assoluta di fedeltà distribuzionale, quantificata in bit come eccesso di lunghezza di codice rispetto a un limite ottimale guidato dalla fisica, permettendo così di validare la coerenza dei dati sintetici con le osservazioni reali in modo interpretabile e fisicamente fondato.

Cristiano Fanelli2026-03-24🔬 physics

Developing Machine Learning-Based Watch-to-Warning Severe Weather Guidance from the Warn-on-Forecast System

Questo studio sviluppa e valuta un framework di machine learning basato sul sistema Warn-on-Forecast per generare previsioni probabilistiche di eventi meteorologici severi a breve termine (2-6 ore), dimostrando che modelli come HGBT e U-Net superano le tecniche di riferimento tradizionali.

Montgomery Flora, Samuel Varga, Corey Potvin, Noah Lang2026-03-24🔬 physics

From Data to Laws: Neural Discovery of Conservation Laws Without False Positives

Il paper introduce NGCG, una pipeline neurale-simbolica che supera le sfide esistenti nel scoprire leggi di conservazione da dati complessi e caotici, garantendo un'identificazione perfetta e priva di falsi positivi su sistemi diversificati con alta efficienza e interpretabilità.

Rahul D Ray2026-03-24🤖 cs.LG

Sparse Weak-Form Discovery of Stochastic Generators

Questo lavoro introduce un nuovo framework per la scoperta guidata dai dati delle equazioni differenziali stocastiche che unifica l'approccio debole di Weak SINDy con l'identificazione stocastica, utilizzando funzioni di test spaziali gaussiane per garantire stime non distorte e risolvere simultaneamente i sistemi lineari per la deriva e la diffusione tramite regressione sparsa.

Eshwar R A, Gajanan V. Honnavar2026-03-24🌀 nlin

Construction of the Global $\chi^2$ Function for the Simultaneous Fitting of Correlated Energy-Dependent Cross Sections

Questo articolo presenta la costruzione di una funzione $\chi^2$ globale per il fit simultaneo di sezioni d'urto dipendenti dall'energia con correlazioni, tenendo conto delle correlazioni tra diversi processi e punti energetici, nonché degli errori derivanti dalle misurazioni della luminosità integrata e dell'energia nel centro di massa.

Linquan Shao, Haoyu Yan, Yingjun Chen, Jiaxin Pi, Xingyu Zhou2026-03-24⚛️ hep-ex

Accelerate Vector Diffusion Maps by Landmarks

Il paper propone LA-VDM, un algoritmo basato su punti di riferimento che accelera le Mappature di Diffusione Vettoriale gestendo densità di campionamento non uniformi e garantendo la convergenza asintotica al Laplaciano di connessione, come dimostrato da esperimenti su dati simulati e applicazioni di denoising delle immagini.

Sing-Yuan Yeh, Yi-An Wu, Hau-Tieng Wu, Mao-Pei Tsui2026-03-24📊 stat

Learnability Window in Gated Recurrent Neural Networks

Il paper sviluppa una teoria statistica che quantifica l'orizzonte temporale massimo di apprendimento nelle reti neurali ricorrenti, dimostrando come la geometria del decadimento dell'inviluppo del tasso di apprendimento efficace e la presenza di rumore gradiente a code pesanti determinino collettivamente le leggi di scala che definiscono la finestra di apprendibilità temporale.

Lorenzo Livi2026-03-23🤖 cs.LG

← Precedente Successivo →

physics.data-an