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 studio dimostra che l'applicazione della Topological Data Analysis agli embedding a ritardo temporale di segnali audio, specificamente utilizzando ritardi correlati a frazioni del periodo fondamentale, caratterizza efficacemente il timbro musicale rivelando le strutture armoniche e distinguendo tra strumenti sia in dati sintetici che reali.
Questo articolo presenta una pipeline basata su LLM che estrae accuratamente dati di leghe multicomponente sia da testi che da tabelle per creare il più grande database pubblico del suo genere, abilitando la progettazione di materiali sostenibili attraverso l'identificazione di candidati a lega ad alte prestazioni per applicazioni di alleggerimento, magnetismo dolce e resistenza alla corrosione.
Analizzando simulazioni di Discreta Dinamica delle Dislocazioni di Cu fcc, questo studio rivela che le lunghezze di collegamento delle dislocazioni sui sistemi di scivolamento attivi seguono una distribuzione doppio-esponenziale a causa dell'instabilità per curvatura indotta dallo stress, mentre i sistemi inattivi esibiscono una distribuzione mono-esponenziale, una distinzione spiegata modellando la rete come un processo di Poisson monodimensionale con tassi di crescita super-lineari per i collegamenti lunghi.
Questo articolo propone un framework informativo funzionale per quantificare l'oggettività classica nel Darwinismo Quantistico misurando l'abbondanza di frammenti ambientali che codificano ridondantemente l'informazione del pointer, rivelando vincoli termodinamici in cui ogni bit aggiuntivo di oggettività raddoppia la dissipazione di calore minima richiesta per la stabilizzazione del record.
Questo articolo presenta un nuovo framework che combina simulazioni Monte Carlo ad alta fedeltà con l'inferenza bayesiana per ottenere una quantificazione rapida e ad alta precisione di sorgenti di raggi gamma mobili, facendo progredire significativamente le capacità nella sicurezza radiologica, nella mappatura geofisica e nell'esplorazione spaziale.
Questo articolo presenta un framework di machine learning multimodale interpretabile che integra dati analitici eterogenei provenienti da SEM, Raman, adsorbimento di gas e misurazioni elettriche per caratterizzare film di nanotubi di carbonio, dimostrando che modelli non lineari come XGBoost possono predire accuratamente le proprietà dei materiali fornendo al contempo approfondimenti fisicamente significativi sulle relazioni struttura-proprietà sottostanti.
Questo articolo presenta un'analisi teorica che dimostra come la selezione non supervisionata delle caratteristiche per le proteine tramite l'Imbalance Informativa Differenziabile riveli una transizione di fase tra stati simili a un vetro e simili a un liquido, in cui il numero critico di caratteristiche fisico-chimiche coincide con la saturazione delle prestazioni di classificazione a valle, offrendo un criterio fondato per l'identificazione di set di caratteristiche minimi.
Questo articolo dimostra che la sovrapposizione di caratteristiche nelle reti neurali induce un esponente di addestramento universale di legge di potenza approssimativamente pari a 1, indipendente dalle statistiche dei dati, accelerando così la dinamica di addestramento fino a dieci volte rispetto all'apprendimento sequenziale senza sovrapposizione.
Questo articolo introduce SPARKX, un pacchetto Python open-source progettato per semplificare e potenziare l'analisi della cinematica relativistica negli esperimenti di collisioni di ioni pesanti, fornendo un toolkit completo e multi-formato che si integra con i principali framework di simulazione come SMASH e JETSCAPE.
Questo articolo dimostra che le interazioni attrattive a corto raggio tra quasi-particelle browniane guidate termicamente consentono un'ottimizzazione efficiente dal punto di vista energetico, scalabile e robusta attraverso un comportamento cooperativo emergente, superando i ricercatori non interagenti sia in paesaggi spaziali statici che dinamici.