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.
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.
Il paper propone un nuovo metodo per stimare la dimensionalità latente rilevante per un compito specifico riformulando il problema come un collo di bottiglia informativo (Information Bottleneck) e introducendo un "critico ibrido" che evita la sovrastima della dimensione, superando i limiti degli stimatori neurali standard e dei metodi geometrici classici.
Il lavoro propone un metodo efficiente per certificare le prestazioni di risorse quantiche in scenari non-i.i.d. (non indipendenti e non identicamente distribuiti), dimostrando che è sufficiente controllare un numero costante di prove, in media, per garantire l'affidabilità dell'intero processo con un livello di confidenza specificato.