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.
Il paper presenta Dara, un framework automatizzato che utilizza una ricerca esaustiva ad albero e la raffinazione Rietveld per identificare e risolvere in modo robusto le ambiguità nell'analisi di fasi multiple nei dati di diffrazione XRD, facilitando così la scoperta di materiali complessi.
Questo articolo propone un metodo di stima bayesiana per ottimizzare la finestra di misura nella spettroscopia Mössbauer basata su radiazione di sincrotrone, migliorando la precisione degli spostamenti del centro di oltre tre volte rispetto alle tecniche di fitting convenzionali.
Il documento presenta l'inferenza causale assimilativa (ACI), un nuovo quadro metodologico basato sull'assimilazione dei dati bayesiana che risolve il problema inverso per tracciare le cause a ritroso dagli effetti osservati, permettendo di identificare interazioni causali dinamiche e transitorie in sistemi complessi ad alta dimensionalità senza richiedere l'osservazione diretta delle cause candidate.
Il documento presenta una tecnica innovativa per la stima ammortizzata di posteriori multi-modali utilizzando Flussi Normalizzanti addestrati con campionamento d'importanza ponderato per la verosimiglianza, dimostrando che l'inizializzazione con un modello a mistura di gaussiane, anziché distribuzioni unimodali, è cruciale per catturare correttamente la topologia e la connettività dei supporti nei problemi inversi ad alta dimensionalità.
Questo studio dimostra che un'architettura EfficientNet leggera e scalabile, combinata con caratteristiche globali, offre prestazioni competitive nel tagging dei jet di quark top con un costo computazionale significativamente inferiore rispetto ai modelli basati su Transformer e GNN.
Il documento presenta un metodo bayesiano basato sull'approccio di Sivia (1996) per la media ponderata di dati inconsistenti, che tratta le incertezze come limiti inferiori per gestire meglio gli outlier, e ne dimostra l'efficacia su vari set di dati critici fornendo anche un'implementazione in Python.
Questo lavoro presenta un nuovo framework di embedding iperbolico per reti multistrato che, preservando sia la struttura globale che le specificità dei singoli strati, supera i metodi esistenti permettendo un'analisi comparativa efficace su sistemi complessi eterogenei, come dimostrato su modelli sintetici e reti cerebrali patologiche.
Il documento presenta GollumFit, un framework open-source progettato per eseguire analisi con verosimiglianza binnata sui dati dei telescopi per neutrini, in particolare per IceCube, offrendo una soluzione efficiente per la minimizzazione della verosimiglianza che gestisce decine di parametri di disturbo.
Questa guida pratica offre raccomandazioni e considerazioni operative da parte di ricercatori di esperimenti di fisica delle particelle sull'uso di tecniche di unfolding unbinned basate sul machine learning per rimuovere le distorsioni strumentali e facilitare confronti diretti con le previsioni teoriche.
Il documento presenta IJazZ2.0, un metodo innovativo basato sulla massimizzazione di una verosimiglianza analitica differenziabile per determinare le correzioni di scala e risoluzione dell'energia dei leptoni, offrendo una maggiore stabilità numerica ed efficienza computazionale rispetto alle tecniche convenzionali.