333 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 lavoro presenta un approccio basato su operatori neurali informati dalla fisica per stimare l'ammettenza superficiale acustica direttamente da misurazioni in situ, garantendo stime robuste al rumore e fisicamente coerenti senza richiedere un modello di inversione esplicito.
Questo studio valuta tre approcci analitici per quantificare il trasferimento di massa guidato dall'iniezione in mezzi porosi tramite micro-TC temporale, introducendo una tecnica di filtraggio per mitigare i bias e concludendo che la scelta del metodo dipende dal compromesso tra il livello di dettaglio fisico desiderato e le risorse computazionali disponibili.
Questo lavoro utilizza la teoria della diffusione per derivare soluzioni analitiche alle equazioni differenziali stocastiche che descrivono il rumore temporale dei pulsar e il fondo di onde gravitazionali, rivelando l'inconsistenza matematica dei modelli di Ornstein-Uhlenbeck rispetto alla stazionarietà e proponendo modelli alternativi basati su oscillatori armonici smorzati e su sistemi a due componenti per spiegare la non stazionarietà osservata.
Questo lavoro esamina la relazione tra i termini delle equazioni di Langevin multidimensionali e le proprietà statistiche, come momenti e funzioni di covarianza, analizzando casi lineari gaussiani, processi sottosmorzati e la rilevazione della non-Markovianità.
Gli autori presentano una strategia bayesiana adattiva e informata dalle simmetrie che ottimizza la stima dei parametri nei limiti dei dati, dimostrando sperimentalmente una riduzione di cinque volte della varianza frazionaria nella metrologia quantistica con atomi di cesio ultrafreddi.
Questo studio introduce un framework bayesiano basato sull'inferenza simulata per stimare in situ l'impedenza acustica superficiale dipendente dalla frequenza in ambienti interni complessi, utilizzando misurazioni sparse della pressione sonora e modelli neurali per ottenere stime robuste, accurate e con quantificazione dell'incertezza, superando i limiti delle tecniche di misura convenzionali.
Questo studio presenta una strategia di rilevamento delle anomalie basata su autoencoder convoluzionali addestrati su immagini di pedestal per l'estrazione rapida e non supervisionata di regioni di interesse dai dati del prototipo TPC ottico CYGNO, ottenendo un'efficienza di segnale superiore al 93% con una riduzione dell'area dell'immagine del 97,8% e un tempo di inferenza di 25 ms.
Il documento presenta i materiali e le risorse sviluppati per formare i fisici sull'uso di Apptainer, al fine di migliorare la riproducibilità, la portabilità e la collaborazione nell'analisi dei dati della fisica delle alte energie e nucleare.
Questo articolo presenta un nuovo quadro geometrico per l'adattamento del filtraggio bianco nei rivelatori di onde gravitazionali, riformulando il problema come trasporto parallelo su un fibrato principale e dimostrando che la curvatura nulla della connessione garantisce aggiornamenti di filtro ottimali indipendenti dal percorso, unificando così la teoria statica di Wiener-Hopf con le esigenze dinamiche del controllo in tempo reale.
Questo studio dimostra come l'uso della decomposizione a matrice non negativa combinata con il reservoir computing adattabile ai parametri permetta di prevedere con precisione i tempi di tipping in sistemi dinamici spaziotemporali complessi, inclusi i modelli climatici, riducendo al contempo il carico computazionale.