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.

Development of an LLM-Based System for Automatic Code Generation from HEP Publications

Questo studio presenta un sistema proof-of-concept basato su modelli linguistici di grandi dimensioni (LLM) che estrae automaticamente le procedure di analisi dalle pubblicazioni della fisica delle alte energie per generare codice eseguibile, dimostrando che, sebbene le attuali capacità siano promettenti come strumenti di supporto con intervento umano per la riproducibilità, persistono sfide significative come l'allucinazione e la stocasticità che ne impediscono l'uso come agenti completamente autonomi.

Masahiko Saito, Tomoe Kishimoto, Junichi Tanaka2026-04-17🔬 physics

NOMAI : A real-time photometric classifier for superluminous supernovae identification. A science module for the Fink broker

Il documento presenta NOMAI, un classificatore di machine learning in tempo reale integrato nel broker Fink che identifica con successo i candidati supernove superluminose (SLSNe) direttamente dai dati fotometrici di ZTF senza necessità di redshift spettroscopico, raggiungendo un'efficacia dimostrata nel recupero della maggior parte degli eventi noti.

E. Russeil, R. Lunnan, J. Peloton, S. Schulze, P. J. Pessi, D. Perley, J. Sollerman, A. Gkini, Y. Hu, T. -W. Chen, E. C. Bellm, T. X. Chen, B. Rusholme2026-04-17🔭 astro-ph

Functional Renormalization for Signal Detection: Dimensional Analysis and Dimensional Phase Transition for Nearly Continuous Spectra Effective Field Theory

Questo articolo propone l'uso del gruppo di rinormalizzazione funzionale (FRG) per rilevare segnali in spettri quasi continui, identificando una transizione di fase dimensionale che permette di individuare deformazioni dello spettro a rapporti segnale-rumore inferiori alla soglia classica BBP.

Riccardo Finotello, Vincent Lahoche, Dine Ousmane Samary2026-04-16⚛️ hep-th

Physics-driven Comparative Analysis of Various Statistical Distance Metrics and Normalizing Functions

Questo studio presenta un'analisi comparativa sistematica e guidata dai dati di diverse metriche di distanza statistica e funzioni di normalizzazione, applicata a eventi di elettroni e fotoni provenienti da un isotopo di Krypton-83 rilevati tramite uno spettrometro HPGe, al fine di valutare la stabilità di un parametro di interesse rispetto a vari criteri sperimentali.

Nafis Fuad (Center for Exploration of Energy,Matter, Indiana University, Bloomington, IN 47405, USA)2026-04-16⚛️ nucl-ex

Bring the noise: exact inference from noisy simulations in collider physics

Questo articolo introduce un metodo di Markov Chain Monte Carlo "esatto-approssimato" che, sfruttando un nuovo stimatore non distorto per la verosimiglianza di Poisson, permette di ottenere inferenze esatte dai dati rumorosi delle simulazioni Monte Carlo nella fisica dei collider, mantenendo costi computazionali simili a quelli dei metodi approssimati esistenti.

Christopher Chang, Benjamin Farmer, Andrew Fowlie, Anders Kvellestad2026-04-15⚛️ hep-ex

Cross-Domain Transfer with Particle Physics Foundation Models: From Jets to Neutrino Interactions

Questo studio dimostra che il modello fondazionale OmniLearned, pre-addestrato su collisioni ad alta energia, può essere efficacemente trasferito a esperimenti di scattering neutrino-nucleo a bassa energia, superando le prestazioni dei modelli addestrati da zero e suggerendo un approccio di inferenza agnostico rispetto al rivelatore nella fisica delle particelle.

Gregor Krzmanc, Vinicius Mikuni, Benjamin Nachman, Callum Wilkinson2026-04-15⚛️ hep-ex