257 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 trabalho apresenta uma abordagem baseada em operadores neurais informados pela física para estimar a admitância superficial de absorvedores acústicos diretamente de medições de campo próximo, garantindo previsões robustas a ruídos e consistentes com as leis físicas sem a necessidade de um modelo de forward explícito.
Este estudo apresenta um quadro bayesiano baseado em inferência por simulação que utiliza redes neurais para estimar com precisão e quantificar a incerteza das impedâncias acústicas de superfície em ambientes internos complexos, diretamente a partir de medições esparsas de pressão sonora, superando as limitações das técnicas convencionais.
Este artigo apresenta uma estratégia de detecção de anomalias baseada em autoencoders convolucionais treinados exclusivamente em imagens de pedestal para realizar a extração rápida e não supervisionada de regiões de interesse em câmeras de megapixels do TPC óptico CYGNO, alcançando uma redução significativa da área da imagem com alta eficiência na retenção de sinais físicos.
Este artigo apresenta materiais e recursos de treinamento desenvolvidos pelo Centro de Treinamento da Fundação de Software de Física de Altas Energias para capacitar físicos no uso de tecnologias de containerização via Apptainer, visando aprimorar a reprodutibilidade, portabilidade e colaboração na preservação de análises científicas.
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 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.
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.
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.