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.
O artigo apresenta o BuSyNet, uma arquitetura de aprendizado profundo que descobre expressões simbólicas de Hamiltonianos dimensionalmente consistentes e interpretáveis, mapeando trajetórias para variáveis ação-ângulo latentes e superando métodos atuais em precisão e estabilidade de previsões de longo prazo para sistemas físicos como o oscilador harmônico e o problema de Kepler.
Este estudo apresenta um novo Índice de Dependência de Carros (CDI) que, ao analisar 18 cidades europeias e norte-americanas, demonstra que a dependência automóvel é impulsionada por desigualdades espaciais na acessibilidade e conclui que apenas expansões sistêmicas do transporte público podem reduzir efetivamente a necessidade de veículos privados para alcançar a sustentabilidade urbana.
Este artigo demonstra que a aplicação de análise de componentes principais a instantâneos de funções de onda em dinâmica quântica fora do equilíbrio permite maximizar a informação contida no principal componente, conectá-la a observáveis físicos e explicar características dinâmicas em cadeias de spin de Heisenberg, oferecendo uma ferramenta relevante para experimentos com simuladores quânticos.
Este artigo avalia, por meio de simulações, a eficácia de três métricas de escala temporal (gráficos Δm-Δt, detecção de picos e regressão gaussiana) para analisar curvas de luz aperiódicas, concluindo que os gráficos Δm-Δt e a detecção de picos caracterizam melhor as escalas temporais em diversos cenários de ruído e amostragem irregular do que a regressão gaussiana, além de disponibilizar o software utilizado para pesquisas futuras.
Este artigo caracteriza as propriedades assintóticas de um modelo de grafo aleatório inhomogêneo com variáveis de aptidão de cauda pesada e média infinita, demonstrando que os graus convergem para uma lei de Poisson mista, apresentando correlações não nulas e uma transição na existência de vértices desconectados.
Embora dados de alta resolução sugiram que os intervalos entre eventos violentos em conflitos sigam uma distribuição lognormal em vez de uma lei de potência, a análise do artigo conclui que a sabedoria convencional não é refutada, pois a distribuição lognormal não se ajusta melhor aos dados do que a lei de potência.
Este artigo revisa os princípios da teoria de escala urbana e propõe a análise das variações internas dentro das cidades, argumentando que reduzir áreas urbanas a um único indicador pode ocultar disparidades significativas que frequentemente superam as diferenças observadas entre cidades distintas.
Este artigo apresenta um método de ptychografia de energia-tempo que utiliza espalhamento nuclear de raios X em domínio temporal para recuperar simultaneamente o espectro de transmissão e a fase de ressonâncias nucleares ultranítidas, superando as limitações das fontes gama tradicionais e eliminando a necessidade de modelagem extensiva para a reconstrução de informações espectrais.
Este estudo desenvolve um quadro de assimilação de dados baseado em ensemble que combina a Dinâmica de Partículas Suavizadas e o filtro de Kalman de ensemble para calibrar automaticamente e com alta eficiência os parâmetros de modelos de materiais em simulações de impacto de alta velocidade, permitindo a identificação precisa de parâmetros sensíveis e fornecendo um diagnóstico prático para sua identificabilidade.
Este artigo apresenta o MCbiF, uma ferramenta de análise topológica de dados que utiliza homologia persistente de dois parâmetros para medir a autocorrelação topológica em agrupamentos multiescala não hierárquicos, demonstrando sua eficácia como mapa de características interpretável para tarefas de aprendizado de máquina e análise de dados reais.