36 artigos
Este estudo apresenta o framework WT-RDF+, que aprimora a reconstrução da Função de Distribuição Radial (RDF) em materiais amorfos, como os sistemas Ge-Se e Ag-Ge-Se, através da otimização de parâmetros físicos por meio de aprendizado de máquina, superando modelos de benchmark e corrigindo limitações de precisão de amplitude.
O artigo demonstra que utilizar taxas de aprendizado suficientemente altas para induzir transientes caóticos no treinamento de redes neurais, criando um equilíbrio entre exploração e exploração, pode acelerar significativamente a convergência para uma precisão aceitável em diversas arquiteturas e tarefas de aprendizado supervisionado.
Este artigo desenvolve uma estrutura termodinâmica para a inferência assintótica, na qual a informação de Shannon atua como entropia e a variância do parâmetro define um espaço de estado, unificando conceitos como a identidade de de Bruijn e a relação I-MMSE sob uma descrição física que revela limites fundamentais de eficiência e processos evolutivos opostos entre física de ensemble e inferencial.
Este artigo demonstra que o uso de Redes Neurais em Grafos (GNNs) para estimar o momento de múons no experimento CMS supera modelos tradicionais como o TabNet, destacando a importância da dimensão das características dos nós para a eficiência do modelo.
Os autores propõem um framework de detecção de anomalias para dados de colisores, baseado em um modelo de difusão latente bayesiano e informado por física, que combina codificação probabilística e restrições físicas para melhorar a estimativa de densidade e a generalização na busca por nova física no LHC.
Este artigo apresenta o "Extracted Mode Tracking" (EMT), uma nova estrutura de análise de dados baseada em aprendizado de máquina não supervisionado que permite determinar instantaneamente a amplitude e a fase de modos de ondas de superfície axissimétricas sem depender de condições de contorno teóricas, superando assim limitações experimentais e viabilizando o estudo quantitativo de dinâmicas não lineares em interfaces fluidas.
Este estudo apresenta um framework computacionalmente eficiente que utiliza a densidade eletrônica não interativa e aprendizado ativo bayesiano para prever com alta precisão as propriedades de ligas de alta entropia refratárias, permitindo a descoberta acelerada de novos materiais através da extrapolação zero-shot e da transferência de conhecimento entre sistemas químicos distintos.
O artigo identifica um novo mecanismo chamado "pseudo-coerência", no qual sistemas estocásticos linearmente estáveis e sem osciladores intrínsecos exibem organização temporal coletiva e comportamento sincronizado devido à amplificação pseudoespectral não normal, gerando correntes irreversíveis e picos espectrais sem necessidade de bifurcações ou cruzamentos de autovalores.
Este artigo propõe e avalia dois métodos de aprendizado simbólico, o SyNF e o SyTF, que geram equações algébricas interpretáveis para prever séries temporais caóticas com precisão competitiva e transparência científica, superando as limitações de "caixa preta" dos modelos de deep learning.
Este trabalho apresenta a Decomposição Parcial da Causalidade de Granger (PDGC), uma ferramenta baseada em decomposição de informação parcial que, ao analisar interações redundantes e sinérgicas em redes fisiológicas, revela novos padrões de disfunção autonômica relacionados ao controle simpático em pacientes com síncope neuramente mediada.
Este artigo apresenta um rastreador de partículas com fusão de sensores heterogêneos (câmera e LiDAR) que utiliza uma política adaptativa baseada em ganho de informação para selecionar dinamicamente o sensor mais informativo, demonstrando em um teste real no Chipre que essa abordagem oferece um equilíbrio superior entre precisão e continuidade na vigilância marítima em comparação com o uso isolado de sensores ou a fusão contínua de todos os dados.
Este artigo apresenta uma nova metodologia para análise de dados de espalhamento de nêutrons e raios-X em modo de evento que, ao eliminar etapas de histogramação, integração numérica e ajuste por mínimos quadrados, oferece maior precisão nos parâmetros e eficiência, embora exija maior tempo de computação e seja menos intuitiva que as abordagens tradicionais.
Este artigo apresenta uma abordagem de entropia máxima para modelar redes temporais em tempo contínuo, derivando intensidades de processos de Poisson não homogêneos que permitem uma representação modular e interpretável, gerando modelos eficazes com log-verossimilhança superior e capacidades de previsão estatística.
Este artigo apresenta algoritmos para estimar modelos de erro de detectores (DEMs) diretamente a partir de síndromes em chips quânticos do Google, demonstrando que esses modelos estimados superam os baseados em desempenho lógico na previsão de síndromes não vistas, permitem o rastreamento de erros em tempo real e revelam correlações de longo alcance e novos artefatos físicos, como eventos de radiação, que desafiam os modelos tradicionais.
Este artigo demonstra que, quando a prior condicional em modelos hierárquicos bayesianos é uma distribuição canônica de máxima entropia, a prior marginal resultante também possui uma propriedade de máxima entropia, porém sujeita a uma restrição diferente sobre a distribuição marginal de uma função das quantidades desconhecidas, esclarecendo assim a informação assumida nesses modelos.
Este artigo apresenta um framework de duas etapas que mapeia a incerteza dos parâmetros de cinética química detalhada para modelos reduzidos, permitindo uma quantificação eficiente e espacialmente resolvida da incerteza em simulações de escoamentos reativos complexos.
Este artigo apresenta um método baseado em sequências simbólicas e inferência bayesiana para detectar dependências de qualquer ordem em séries temporais multivariadas, modelando-as como hipergrafos para revelar interações de alta ordem significativas em sistemas neurais e sociais.
O artigo demonstra que o modelo de linguagem Qwen2.5, quando integrado a redes conectoras para formar o "Lightcone LLM" (L3M), supera inicializações padrão e rivaliza com redes dedicadas ao analisar e gerar mapas 3D da estrutura em grande escala cósmica para aplicações de física fundamental.
Este trabalho demonstra que a aplicação de Redes Neurais Profundas na reconstrução de posição de um array de SiPMs com gradiente linear melhora significativamente a resolução e a linearidade, aumentando o número de áreas resolvidas em até 12,1 vezes em comparação com os métodos tradicionais.
Este artigo apresenta o QUnfold, uma nova abordagem de desdobramento em Física de Altas Energias baseada em otimização e formulada como um problema QUBO, que permite o uso de solucionadores quânticos e híbridos para reconstruir distribuições verdadeiras com precisão competitiva em relação aos métodos tradicionais.