335 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.
Lo studio dimostra che è possibile distillare un vasto database di oltre 1.000 eventi di interazione ala-raschio in un piccolo insieme rappresentativo di casi "da manuale", il quale, se utilizzato per addestrare modelli di machine learning, raggiunge un'accuratezza predittiva paragonabile a quella di set di addestramento casuali due ordini di grandezza più grandi.
Lo studio analizza le correlazioni collettive e non lineari nelle fluttuazioni di potenza di un parco eolico, dimostrando come la transizione verso una dinamica di scala su larga scala e la correlazione di caratteristiche non gaussiane contribuiscano all'intermittenza dell'output totale, offrendo nuove prospettive per la gestione della rete elettrica.
Il lavoro analizza le distribuzioni stazionarie di un modello esteso di Chiarella, identificando diverse transizioni di biforcazione (P-bifurcation) tra regimi unimodali e bimodali a seconda della velocità della tendenza e della forza del feedback, smentendo al contempo alcune ipotesi precedentemente riportate in letteratura.
Il lavoro propone un metodo per stimare i parametri e ricostruire le variabili macroscopiche nascoste di reti neurali finite partendo dall'osservazione di una singola variabile scalare, utilizzando algoritmi di evoluzione differenziale e tecniche di sincronizzazione per superare l'incertezza sulle condizioni iniziali.
Il lavoro presenta un metodo semplice ed efficace per generare campi multifrattali con proprietà di scala controllate e, specularmente, per "spacchettare" dati sperimentali, applicandolo con successo all'analisi della rugosità di una lega metallica fratturata.
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 lavoro propone una variante "ammorbidita" del modello a due stelle (two-star model) basata sulla fitness, capace di riprodurre sia la media che la varianza della distribuzione dei gradi empirici nei network, superando i limiti di degenerazione dei modelli ERG non lineari tradizionali.
Il paper propone un algoritmo di clustering topologico gerarchico, applicabile con qualsiasi metrica di distanza, capace di identificare cluster di forma arbitraria e outlier in dataset complessi come immagini, dati medici ed economici.
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 paper presenta `PoissonRatioUQ`, un pacchetto R progettato per la modellazione bayesiana e la quantificazione dell'incertezza nei rapporti tra medie di processi di Poisson, offrendo diverse opzioni di analisi sia con che senza informazioni spaziali.