333 artigos
Nesta seção, exploramos a interseção fascinante entre a física e a análise de dados, onde teorias complexas encontram o poder da computação moderna para revelar padrões ocultos no universo. Aqui, os princípios fundamentais da matéria e da energia são aplicados a conjuntos de informações massivos, permitindo que cientistas testem hipóteses com precisão sem precedentes e descubram novas fronteiras no nosso entendimento da realidade.
No Gist.Science, monitoramos diariamente o arXiv para trazer as pesquisas mais recentes desta categoria diretamente até você. Processamos cada novo pré-publicação, oferecendo tanto um resumo técnico detalhado para especialistas quanto uma explicação em linguagem simples para que qualquer pessoa possa acompanhar as descobertas. Abaixo, você encontrará a lista atualizada dos artigos mais recentes em Física — Análise de Dados.
O artigo compara os métodos de análise "Unbinned" e "Binned" para correlacionar o fluxo de múons subterrâneos com a temperatura atmosférica, demonstrando que o método binned sofre viés significativo na presença de incertezas térmicas, enquanto o método unbinned permanece robusto, propondo ainda um novo procedimento para avaliar a estabilidade da correlação sob condições reais de incerteza.
Este artigo apresenta um modelo de aprendizado profundo informado por física que combina espectroscopia Raman aprimorada por superfície de molécula única (SM-SERS) em nanoporos plasmônicos com arquiteturas neurais avançadas para decifrar com precisão a dinâmica de fosforilação de peptídeos únicos, superando desafios como ruído de fundo e heterogeneidade espectral.
Este trabalho apresenta um método rápido e numericamente estável para o ajuste de curvas e a remoção de ruído em filtros de Savitzky-Golay, utilizando polinômios ortogonais discretos (Chebyshev) para superar as limitações de condicionamento e escalabilidade dos métodos tradicionais, oferecendo ganhos significativos em precisão e eficiência para aplicações como a busca por matéria escura de áxions.
Este artigo apresenta uma estrutura baseada em cópulas para construir verossimilhanças não gaussianas de funções de correlação de dois pontos em lentes fracas, demonstrando que, embora essas verossimilhanças causem deslocamentos significativos nos parâmetros cosmológicos para levantamentos de 1 000 graus quadrados, as aproximações gaussianas permanecem suficientes para levantamentos de estágio IV de 10 000 graus quadrados.
Este artigo apresenta um método de estimativa de máxima verossimilhança para inferir o kernel de fusão de rajadas a partir de séries temporais, permitindo caracterizar com precisão a estrutura hierárquica de eventos bursty e investigar seus mecanismos subjacentes.
O artigo apresenta o FluxMC, um novo framework de inferência que combina Flow Matching com MCMC de Temperamento Paralelo para superar as limitações computacionais e de convergência dos métodos tradicionais, permitindo análises rápidas e de alta fidelidade de ondas gravitacionais de binárias de buracos negros massivos sem comprometer a precisão do modelo.
Este artigo propõe um método de reconstrução de redes econômicas que integra a estrutura de blocos ao Modelo de Fitness utilizando uma priori de Jeffreys para lidar com estatísticas suficientes não observadas, demonstrando superioridade sobre abordagens tradicionais em dados de comércio internacional.
Este estudo demonstra que, embora modelos de aprendizado de máquina baseados em Processos Gaussianos sejam eficazes para prever parâmetros de composição e rede em cerâmicas de ZrO₂, os critérios de design bem-sucedidos para ligas metálicas não se aplicam universalmente a essas cerâmicas, resultando em uma histerese térmica elevada que exige a descoberta de novos dopantes e fatores além das transformações de fase metálicas.
Utilizando a teoria de matrizes aleatórias, o artigo demonstra que, em dados subamostrados, as matrizes de covariância cruzada e conjunta permitem detectar e reconstruir sinais compartilhados entre variáveis de alta dimensão com maior eficiência do que as covariâncias individuais, sendo a escolha do método ideal dependente da discrepância entre as dimensionalidades das variáveis.
Este artigo propõe uma abordagem acelerada por GPU que utiliza amostragem sequencial de Monte Carlo para realizar a seleção de modelos e estimação de parâmetros em análises espectrais bayesianas, alcançando acelerações superiores a 500 vezes em comparação com métodos tradicionais e viabilizando o processamento eficiente de grandes volumes de dados espectroscópicos.