261 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 dimostra come tecniche di inferenza basate su simulazioni neurali possano sistematizzare l'ottimizzazione di osservabili compatibili con la teoria di precisione, identificando la configurazione triangolare isoscele (con rapporto lati ) come quella ottimale per la misurazione della massa del quark top tramite i correlatori di energia.
Questo studio analizza un comportamento inatteso osservato nel modello fondazionale OmniLearned applicato ai dati dell'esperimento CMS, rivelando che, sebbene la stima del fondo sia accurata nelle regioni di validazione, essa non riesce a modellare correttamente la regione del segnale, invitando a un'ulteriore verifica di tali eventi e dei metodi utilizzati.
Questo lavoro introduce un framework basato su Flow Matching e Inferenza Basata su Simulazioni (SBI) per eseguire un'inferenza bayesiana congiunta dei parametri del progenitore e del potenziale galattico della corrente stellare GD-1, superando i limiti dei metodi tradizionali catturando le complesse dipendenze tra dinamica di stripping mareale e potenziale della Via Lattea.
Questo studio dimostra che, in una stazione ferroviaria affollata, la tendenza degli sconosciuti a imitare istintivamente il percorso della persona che li precede, anche a scapito dell'efficienza, genera dinamiche collettive a "valanga" che influenzano significativamente la gestione della folla e il design urbano.
Questo lavoro introduce un operatore di previsione analitico e privo di addestramento per processi energetici ciclostazionari, che estende il modello di persistenza classica incorporando vincoli di simmetria temporale per catturare le proprietà statistiche variabili nel tempo e migliorare l'accuratezza delle previsioni.
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.
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.
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.
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.
Questo articolo presenta la costruzione di una funzione 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.