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 introduce una nuova strategia di bontà dell'adattamento priva di distribuzione per testare i modelli dello spettro di potenza angolare con parametri ignoti, il che garantisce un'ampia applicabilità e una significativa efficienza computazionale eliminando la necessità di simulazioni caso per caso.
Questo articolo presenta un framework model-free che utilizza l'entropia di Shannon con pesatura di escort e varie matrici di divergenza per rilevare sensibilmente transizioni di fase e cambiamenti statistici in dati di scattering e di imaging senza richiedere modelli fisici espliciti o parametri d'ordine.
Applicando la deviazione di Allan agli embedding di frasi, questo studio caratterizza la dinamica semantica del testo come una traiettoria stocastica, rivelando distinti regimi di scala a breve termine che differenziano la scrittura creativa da quella tecnica ed esponendo una sistematica riduzione dell'orizzonte di stabilità a lungo termine nei grandi modelli linguistici rispetto alla cognizione umana.
Questo articolo introduce l'Adaptive Particle Batch Smoother (AdaPBS), un nuovo algoritmo di assimilazione dati criosferici che combina i metodi particellari con il framework iterativo AMIS per mitigare il collasso dell'ensemble e regolare dinamicamente i costi computazionali, dimostrando prestazioni superiori o comparabili rispetto ai metodi esistenti in diversi scenari di assimilazione dello spessore nevoso.
Questo articolo presenta un metodo scalabile guidato dall'IA che utilizza immagini satellitari e il Segment Anything Model per misurare automaticamente le distanze di attraversamento pedonale nelle 100 città più grandi d'America, rivelando che le città più antiche tendono ad avere strade più larghe e incentrate sulle auto con distanze di attraversamento del mediano che variano da 32 a 78 piedi.
Questo articolo introduce la metrica ARGOS basata sui dati, uno strumento teoricamente fondato ed empiricamente robusto per selezionare i modelli di rilevamento delle anomalie più sensibili in modo agnostico rispetto al modello, dimostrando la sua superiorità rispetto a metriche esistenti come la perdita di cross-entropia binaria in compiti quali la sintonizzazione degli iperparametri e la selezione delle caratteristiche.
McSAS3 è una suite di software Monte Carlo rifattorizzata che presenta un'interfaccia grafica utente che consente l'analisi automatizzata e flessibile, priva di modelli, di dati di scattering a piccoli angoli sia per scatteratori diluiti che densi.
Il documento introduce PanopTag, un'innovativa architettura encoder-decoder che etichetta simultaneamente tutti i jet in un evento di collisione di particelle sfruttando le correlazioni inter-jet e il contesto a livello di evento, superando così significativamente i metodi tradizionali di classificazione del singolo jet nel tagging del heavy-flavor.
Per affrontare il rischio della "rana che bolle" di un disimpegno degli studenti dalle pratiche epistemiche dell'apprendimento della fisica dovuto all'intelligenza artificiale generativa, questo articolo propone un framework di progettazione didattica che posizioni l'IA come un partner epistemico limitato all'interno di attività cognitivamente attivate, per garantire che gli studenti rimangano i primari agenti di previsione, interpretazione e valutazione.
Questo tutorial fornisce una guida pratica alla Single Pixel Imaging e al Compressive Sensing, dettagliando le implementazioni sperimentali di vari metodi di ricostruzione — dagli algoritmi deterministici al deep learning — insieme ad accompagnatori notebook Python per facilitare la riproduzione dei risultati e l'applicazione a diversi scenari di imaging.