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 propõe a "Modelagem Declarativa Sob Medida", uma nova abordagem que substitui modelos numéricos complexos por declarações explícitas das relações entre entradas e saídas, garantindo precisão preditiva perfeita, estabilidade numérica incondicional, total interpretabilidade e emissões de CO2 próximas de zero.
O artigo apresenta o "Closure Challenge", um novo benchmark de código aberto que padroniza conjuntos de dados e métricas de avaliação para impulsionar o desenvolvimento e a comparação de modelos de aprendizado de máquina aplicados ao fechamento de turbulência em simulações RANS.
Este estudo utiliza agentes de IA simulando astrofísicos para demonstrar que a utilidade da assistência por IA em pesquisas astrofísicas é condicional e altamente dependente da tarefa, do estilo de uso e do modelo de linguagem específico, variando desde melhorias em tarefas criativas até falhas catastróficas em derivações físicas.
Este trabalho apresenta uma abordagem sistemática para a formulação de matrizes de covariância e correlação em experimentos de ativação de partículas carregadas, calculando explicitamente as contribuições estatísticas e sistemáticas por meio de coeficientes de sensibilidade para demonstrar a importância de incluir incertezas correlacionadas na interpretação e comparação de dados de seção de choque.
O artigo apresenta o FcsIT, uma ferramenta de código aberto e multiplataforma desenvolvida em Python com interface Dear PyGUI, que permite o processamento, correlação e ajuste de dados de Espectroscopia de Correlação de Fluorescência (FCS) com qualidade comparável a softwares comerciais, oferecendo modelos pré-definidos e a possibilidade de inclusão de modelos personalizados.
O artigo propõe novas ferramentas analíticas que demonstram como desvios da normalidade nas distribuições de taxas de crescimento de séries temporais estacionárias são explicáveis por considerações estatísticas gerais, identificando que distribuições logísticas generalizadas descrevem adequadamente esses dados e fornecendo um fluxo de trabalho prático para a seleção de modelos em macroecologia.
Os autores apresentam uma nova abordagem para a tomografia de campos de fluxo que utiliza uma Rede Neural Informada por Física Bayesiana para regularizar reconstruções com base nas equações de Navier-Stokes e de advecção-difusão, permitindo a inferência de estruturas fluidas a partir de medições integradas escassas com quantificação abrangente de incertezas e superando os métodos de estado da arte.
Este artigo apresenta um novo fluxo de trabalho de "BOS informado por física" que utiliza redes neurais informadas por física (PINN) para reconstruir com maior precisão os campos de densidade, velocidade e pressão em escoamentos supersônicos a partir de dados experimentais, superando as limitações dos métodos convencionais ao garantir que as soluções satisfaçam simultaneamente os dados de medição e as equações governantes do fluxo.
Este artigo apresenta a Velocimetria de Advecção Estocástica de Partículas (SPAV), uma abordagem baseada em modelos estatísticos e redes neurais com física incorporada que melhora significativamente a precisão da velocimetria por rastreamento de partículas ao reduzir o erro de reconstrução em cerca de 50% ao lidar com incertezas de localização e efeitos não ideais.
Este artigo apresenta o Fluxo Óptico Neural (NOF), um método inovador que utiliza representações implícitas contínuas para melhorar a precisão e a robustez na medição de velocidade por imagem de partículas (PIV) em configurações planares e estéreo, permitindo compressão de dados, inferência direta de pressão e análise de fluxos estáveis e instáveis com superioridade em relação às técnicas tradicionais.