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 articolo esamina i recenti progressi negli algoritmi di riconoscimento dei pattern e nell'analisi dei dati per i rivelatori RICH, confrontando i metodi tradizionali con le moderne tecniche di apprendimento automatico e delineando le tendenze emergenti nella simulazione e nell'identificazione delle particelle.
Questo studio presenta diagrammi di fase pressione-temperatura globalmente invertiti fino a 5.000 GPa per Fe, MgO, SiO2 e MgSiO3, derivati da apprendimento automatico e un database sperimentale, che risolvono controversie sulle curve di fusione e affinano i modelli strutturali interni dei pianeti rocciosi e degli esopianeti.
Questo studio introduce un approccio basato sulla teoria dell'informazione per quantificare la dipendenza temporale nelle serie di precipitazioni discrete, dimostrando che l'occorrenza giornaliera della pioggia negli Stati Uniti è ben descritta da catene di Markov di basso ordine con variazioni regionali e stagionali, offrendo così un quadro solido per modelli stocastici parsimoniosi e previsioni meteorologiche più efficienti.
Il documento presenta la microscopia assistita dal conteggio di ioni (ICAM), una tecnica quantitativa che riduce il rumore shot e permette di ottenere immagini di alta qualità con una dose di particelle ridotta, facilitando così l'analisi di campioni sensibili alla radiazione.
Questo articolo introduce un approccio di massima entropia per la modellazione continua di reti temporali, che permette di fattorizzare le interazioni in processi temporali globali e probabilità statiche degli archi, fornendo modelli generativi interpretabili con funzioni di verosimiglianza in forma chiusa e migliorando le prestazioni rispetto ai processi di Poisson generici.
Questo studio presenta un framework computazionale efficiente che utilizza la densità elettronica non interagenti e l'apprendimento attivo bayesiano per scoprire rapidamente nuove leghe ad alta entropia refrattarie, permettendo previsioni accurate anche con zero-shot o con un numero minimo di campioni di addestramento.
Il documento identifica un nuovo meccanismo di "pseudo-coerenza" in cui sistemi stocastici lineari stabili e privi di oscillatori intrinseci sviluppano comportamenti collettivi simili alla sincronizzazione grazie all'amplificazione pseudospettrale non normale, generando transizioni pseudo-critiche e correnti probabilistiche irreversibili senza biforcazioni di Hopf.
Il paper propone due nuovi metodi di apprendimento simbolico, SyNF e SyTF, che generano equazioni algebriche interpretabili per prevedere serie temporali caotiche con accuratezza competitiva rispetto ai modelli deep learning, offrendo al contempo una trasparenza scientifica fondamentale per comprendere le dinamiche sottostanti.
Questo lavoro introduce la PDGC, un metodo basato sulla decomposizione parziale dell'informazione che, applicando la causalità di Granger spettrale a reti fisiologiche, permette di distinguere effetti unici, ridondanti e sinergici nelle interazioni causali, rivelando nuovi meccanismi di disfunzione autonoma legati al controllo simpatico.
Questo articolo propone un'architettura innovativa di Rete Neurale su Grafo Eterogeneo (HGNN) che, sfruttando un apprendimento multi-task e livelli di potatura del grafo, migliora in modo scalabile la ricostruzione degli eventi di collisione e l'associazione dei vertici di particelle in un ambiente simile all'esperimento LHCb.