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 lavoro analizza le reti di scambi commerciali tra le città dello stato del Ceará, in Brasile, utilizzando miliardi di dati di fatturazione elettronica per identificare comunità economiche e dimostrare, tramite modelli di massima entropia, che tali gruppi operano con un'elevata coesione economica simile a sistemi in prossimità di un punto critico.
Il paper propone il processo Poisson Log-Normal (PoLoN), un framework non parametrico basato sui processi gaussiani che utilizza i log-rate per modellare e prevedere dati di conteggio discreti, dimostrando efficacia sia nella regressione che nel rilevamento di segnali deboli in presenza di rumore.
Il lavoro analizza il fenomeno del "feature unlearning" nelle reti neurali a due strati attraverso una teoria di perturbazione singolare (fast-slow dynamics), dimostrando come la dinamica dei pesiti dello strato lento determini la perdita progressiva di caratteristiche apprese in base alla non-linearità dei dati e alla scala iniziale dei pesi.
DerivKit è un pacchetto Python che implementa tecniche di differenziazione numerica stabile per collegare i rapidi calcoli delle previsioni di Fisher con i metodi di campionamento più complessi come l'MCMC, permettendo inferenze statistiche avanzate anche per modelli in cui la differenziazione automatica non è applicabile.
Questo articolo dimostra che anche in esperimenti di conteggio ad alta statistica, le dimensioni finite dei campioni Monte Carlo utilizzati per modellare le incertezze sistematiche causano il fallimento delle approssimazioni asintotiche standard per gli intervalli di confidenza del rapporto di verosimiglianza di profilo, risultando in una sottocopertura sistematica.
Almanac è un framework basato su Hamiltonian Monte Carlo che estrae mappe di tutto il cielo prive di rumore e i relativi spettri di potenza da osservazioni cosmologiche rumorose attraverso molteplici bin di redshift, fornendo prodotti dati posteriori indipendenti dal modello che evitano problemi come la fuga $EB$ e consentono diagnostiche robuste di errori sistematici o nuova fisica.
Questo studio confronta cinque distinti algoritmi di individuazione dei vuoti applicati alla simulazione IllustrisTNG per dimostrare che, sebbene il gradiente radiale del bias delle singole galassie all'interno dei vuoti cosmici sia una caratteristica robusta, la specifica selezione di galassie anti-biased e la contaminazione da parte di galassie di confine ad alto bias dipendono significativamente dalla definizione di vuoto e dalle soglie di densità adottate.
Questo articolo introduce MoreFit, un framework ad alte prestazioni per la stima dei parametri tramite massima verosimiglianza non binata nella fisica delle particelle che sfrutta grafi di computazione compilati just-in-time, nuove ottimizzazioni automatiche e backend eterogenei (OpenCL e LLVM/Clang) per raggiungere velocità ed efficienza superiori su diverse piattaforme hardware.
Questo articolo valuta sistematicamente la sensibilità di quattro metodi di rilevamento delle anomalie semi-supervisionati rispetto agli iperparametri non regolabili nella ricerca di fisica oltre il Modello Standard e propone un test di permutazione robusto e non parametrico per la valutazione statistica.
Questo articolo unifica la regressione dei processi gaussiani con la decomposizione dei modi dinamici per affrontare le sfide di scalabilità e ottimizzazione degli iperparametri dei metodi dell'operatore di Koopman basati su kernel, migliorando così l'efficienza computazionale e la resilienza al rumore nella modellazione di sistemi dinamici non lineari.