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 presenta un nuovo modello di ordine ridotto non lineare, basato sulla teoria di Volterra e sull'algoritmo OMP, capace di descrivere con alta precisione e efficienza computazionale il fenomeno del buffeting transonico e l'accoppiamento aeroelastico su un profilo alare OAT15A.
Questo studio dimostra che l'uso di algoritmi di selezione delle caratteristiche, in particolare la Selezione Sequenziale Avanzata (SFS), consente una classificazione accurata dei materiali tramite spettroscopia terahertz a riflessione senza riferimento, identificando un sottoinsieme ridotto di frequenze discriminanti che eliminano la necessità di sorgenti a banda larga e misurazioni di riferimento.
Questo studio presenta un nuovo algoritmo che utilizza la norma di Frobenius continua (CFND) e un'approssimazione di tipo seno assoluto per determinare con precisione la direzionalità in distribuzioni bidimensionali di dati discreti, con applicazioni potenziali nei rivelatori di neutrini, in astronomia e nell'apprendimento automatico.
Gli autori dimostrano sperimentalmente "Dichography", un metodo che utilizza impulsi X a due colori per separare algoritmicamente i segnali di diffrazione sovrapposti e ricostruire due immagini temporali distinte di nanomateriale da un singolo pattern, permettendo così di catturare filmati ultrafast della materia senza danni strutturali significativi.
Il paper introduce GABI, un framework che utilizza autoencoder geometrici per apprendere modelli generativi consapevoli della forma dai dati, consentendo l'inversione bayesiana con quantificazione dell'incertezza su sistemi fisici con geometrie complesse senza richiedere la conoscenza delle equazioni governative.
Il paper presenta NuBench, un benchmark open-source basato su 130 milioni di simulazioni di interazioni di neutrini in sei diverse geometrie di rivelatori, progettato per valutare e confrontare metodi di ricostruzione degli eventi basati sul deep learning nei telescopi per neutrini.
Questo studio propone un metodo innovativo basato su una rete Extreme Learning Machine (ELM) con architettura Multi-Input Multi-Output (MIMO) e codifica temporale ciclica per la previsione a breve termine della produzione e del consumo energetico in Corsica, ottenendo prestazioni superiori rispetto ai modelli di persistenza e con minori requisiti computazionali rispetto alle reti neurali profonde.
Questa rassegna presenta il primo quadro concettuale unificato per l'apprendimento automatico scientifico in idrologia, integrando le diverse famiglie metodologiche emerse per superare la frammentazione attuale e guidare la ricerca futura verso un progresso cumulativo.
Questo lavoro presenta un'analisi sistematica della propagazione degli incertezze per una camera di campo magnetico sferica, utilizzando un approccio Monte Carlo per quantificare come errori di calibrazione e imprecisioni nel posizionamento dei sensori influenzino l'affidabilità del modello di campo basato su armoniche sferiche.
Questo articolo presenta un framework ibrido che combina la teoria di deformazione di taglio del primo ordine (FSDT) con l'apprendimento automatico e la quantificazione dell'incertezza per localizzare impatti e stimare le forze su lastre composite, garantendo accuratezza e robustezza anche con dati sperimentali limitati.