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.
Questo studio presenta il framework WT-RDF+, che potenzia la ricostruzione delle funzioni di distribuzione radiale nei materiali amorfi ottimizzando i parametri della trasformata wavelet tramite apprendimento automatico, superando così i modelli ML convenzionali e migliorando la precisione quantitativa per i sistemi Ge-Se e Ag-Ge-Se.
Utilizzando dati spettroscopici a campo integrale su 54 galassie attive locali, questo studio presenta un nuovo metodo robusto per separare le emissioni dell'AGN dalla formazione stellare, rivelando una correlazione moderata tra il rapporto di Eddington e il tasso di formazione stellare, che suggerisce un'associazione tra l'accrescimento dell'AGN e la formazione stellare nucleare recente.
Il documento presenta una panoramica completa di GenomeBits, uno strumento di analisi genomica ispirato alla fisica e basato sulla trasformata di Fourier discreta, che mappa le basi nucleotidiche in sequenze numeriche per rivelare caratteristiche intrinseche, modelli di mutazione e transizioni ordine-disordine in genomi virali come SARS-CoV-2 e Monkeypox, estendendo il modello anche a un approccio quantistico.
Questo studio dimostra che impostare i tassi di apprendimento in una regione di caos transitorio, dove l'ottimizzazione bilancia esplorazione e sfruttamento, accelera il training delle reti neurali riducendo il tempo necessario per raggiungere un'accuratezza accettabile su diversi compiti e architetture.
Il paper sviluppa un quadro termodinamico per l'inferenza asintotica in cui l'informazione di Shannon agisce come entropia, unificando concetti fisici e statistici per derivare limiti fondamentali, percorsi ottimali e relazioni note come proiezioni di una struttura termodinamica sottostante.
Questo articolo dimostra che le Reti Neurali su Grafi (GNN) superano i modelli tradizionali come TabNet nella stima dell'impulso delle particelle muoniche per il trigger CMS, evidenziando come la scelta delle dimensioni delle caratteristiche dei nodi sia cruciale per l'efficienza del modello.
Gli autori propongono un framework di rilevamento delle anomalie per i dati dei collider basato su un modello di diffusione latente bayesiano, che integra vincoli fisici e stime di incertezza per migliorare la stabilità e la generalizzazione nella ricerca di nuova fisica.
Questo articolo presenta l'Extracted Mode Tracking (EMT), un framework di analisi dati basato sull'apprendimento automatico non supervisionato che risolve il problema delle condizioni al contorno sconosciute nell'evoluzione delle onde gravito-capillari, permettendo l'estrazione diretta dei modi d'onda dai dati sperimentali e facilitando lo studio delle dinamiche non lineari in sistemi fluidi a simmetria assiale.
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.