334 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.
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.
Esta revisão examina como os métodos emergentes de inteligência artificial podem aprimorar o acoplamento dos sistemas terrestres, superando limitações dos modelos multi-componentes tradicionais e estabelecendo caminhos para frameworks unificados que garantam consistência física e integração entre as esferas da Terra.
O artigo apresenta o PATHFINDER, um framework de microscopia autônoma que combina exploração orientada à novidade e otimização multiobjetivo para descobrir representações diversas e cientificamente valiosas em espaços estruturais e espectrais, evitando a convergência prematura em soluções ótimas locais.
O estudo demonstra que redes neurais probabilísticas podem substituir com sucesso os processos gaussianos na inferência bayesiana de modelos de fundo de ondas gravitacionais em pulsar timing arrays, mantendo a consistência dos resultados enquanto reduzem significativamente o tempo de treinamento e execução.
O estudo demonstra que a heterogeneidade de políticas em enxames de agentes, combinando comportamentos exploratórios e exploratórios, melhora significativamente a eficiência da busca coletiva por fontes de odor em ambientes turbulentos complexos em comparação com grupos homogêneos.
Este artigo generaliza modelos de populações estruturadas por tamanho com flutuações internas, estabelecendo uma conexão com a fórmula de Feynman-Kac para derivar condições de desacoplamento entre tamanho e variável interna, permitindo transformar a dinâmica do crescimento e caracterizar expectativas ponderadas por massa em termos de distribuições de fenótipos.
Este artigo apresenta a estimativa de posterior neural (NPE) como uma alternativa escalável e precisa à calibração bayesiana para a inferência de parâmetros em baterias de íon-lítio, reduzindo drasticamente o tempo de estimativa para aplicações em tempo real enquanto mantém alta precisão e oferece vantagens de interpretabilidade, embora possa resultar em erros ligeiramente maiores na previsão de tensão.
Este artigo introduz um método inovador baseado em Processos de Cox Gaussianos Logarítmicos (LGCP) para modelar fundos suaves em análises de física de altas energias com suposições mínimas sobre a forma subjacente, utilizando inferência Bayesiana via Cadeias de Markov Monte Carlo e validando sua eficácia através de experimentos sintéticos comparativos.
Este artigo demonstra que as barras de erro tradicionais são insuficientes para avaliar o ajuste de modelos a dados com incertezas correlacionadas e propõe visualizar a contribuição do primeiro componente principal e as incertezas condicionais para melhorar a interpretação gráfica.
O artigo apresenta o JetPrism, um novo framework de *Conditional Flow Matching* que supera as limitações das métricas de perda padrão ao introduzir um protocolo de avaliação multimétrica baseado em física para garantir a convergência e a fidelidade física em simulações generativas e problemas inversos na física nuclear.