252 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 dimostra che l'addestramento avversario potenzia la robustezza degli algoritmi di tagging del sapore dei jet basati sull'apprendimento profondo contro le distorsioni degli input, che fungono da proxy per le incertezze sistematiche, sfruttando intuizioni geometriche dalla superficie di perdita per mantenere alte prestazioni mitigando al contempo le vulnerabilità del modello.
Questo articolo introduce un nuovo approccio basato sui dati che inferisce equazioni dinamiche non autonome governative identificando funzioni di base ottimali, ricostruendo e prevedendo con successo il comportamento di diversi sistemi reali che vanno dagli aggregati biologici alle applicazioni ingegneristiche.
Questo documento propone un approccio di "Double Metric Learning" che apprende due distinte rappresentazioni dei nodi per risolvere conflitti nella costruzione di grafi diretti con connessioni a catena per il rivelatore ATLAS ITk, dimostrando prestazioni migliorate nella costruzione del grafo e nella previsione della direzione degli archi per particelle ad alto impulso trasverso rispetto alla semplice metric learning.
Questo lavoro dimostra che l'adattamento dell'algoritmo di ottimizzazione della colonia di formiche per sintonizzare il funzionale di densità FVC riduce significativamente l'errore relativo medio nella previsione delle energie dello stato fondamentale per sistemi fortemente correlati in diverse dimensionalità, ottenendo una riduzione dell'errore fino al 67% con un basso costo computazionale.
Questo articolo presenta un framework di Calcolo a Serbatoio Quantistico indipendente dalla piattaforma che utilizza un sistema su piccola scala a sei qubit per raggiungere un'accuratezza superiore all'86% nella previsione delle tendenze di mercato e dei volumi di scambio per le aziende del settore quantistico, dimostrando il potenziale dell'hardware quantistico a breve termine per l'analisi di serie temporali finanziarie complesse.
Questo studio dimostra matematicamente che i vuoti nei dati e i valori anomali compromettono significativamente l'affidabilità degli indicatori di resilienza basati sulla varianza e sull'autocorrelazione, con i valori mancanti che indeboliscono la loro concordanza e i valori anomali che causano una sovrastima sistematica della stabilità del sistema.
Questo articolo dimostra che la marginalizzazione esatta delle variabili di correzione binarie nei dati fisici è matematicamente equivalente al modello di Ising, consentendo l'uso di strumenti efficienti della fisica statistica per gestire configurazioni esponenzialmente complesse e quantificare con precisione le incertezze in applicazioni come la calibrazione delle supernove di Tipo Ia.
CVEvolve è un sistema agenziale autonomo e zero-code che sfrutta i LLM e una strategia di ricerca multi-round per scoprire e ottimizzare in modo indipendente algoritmi di elaborazione di dati scientifici, consentendo agli scienziati di dominio di analizzare efficacemente dati complessi e non strutturati senza richiedere competenze di programmazione estese.
Questo articolo presenta un classificatore di segnali autoapprendente per radar di diffusione coerente decametrici che costruisce automaticamente un modello utilizzando due anni di dati provenienti da 12 radar SuperDARN e SECIRA per identificare 14 classi confidentemente separabili sulla base di una combinazione di parametri radar misurati e caratteristiche di propagazione delle onde radio modellate.
Questo articolo introduce il grafico fattore di Bayes-fattore di Bayes (BB), uno strumento diagnostico che sfrutta la relazione tra i fattori di Bayes e le loro distribuzioni sotto ipotesi concorrenti per validare l'accuratezza dei calcoli e stimare efficientemente le distribuzioni di fondo, come dimostrato attraverso applicazioni nell'astronomia delle onde gravitazionali, inclusa la valutazione della significatività statistica di GW231123.