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 trabalho apresenta um modelo de rede neural convolucional aumentada (A-CNN) que, ao analisar dados do experimento XENONnT, consegue rejeitar mais de 60% do fundo de raios gama mantendo 90% da eficiência de sinal, melhorando assim a sensibilidade projetada na busca pelo decaimento duplo-beta sem neutrinos em xenônio líquido em cerca de 40%.
O artigo demonstra que a distribuição gama surge naturalmente da teoria de grandes desvios quando se utilizam aproximantes de Padé para respeitar restrições de positividade, oferecendo uma explicação universal e livre de mecanismos para sua prevalência em sistemas físicos, em contraste com a limitação da distribuição gaussiana do Teorema Central do Limite.
Este artigo relata uma análise completa de anomalias inesperadas observadas em dados do experimento CMS ao utilizar o modelo de fundação OmniLearned, constatando que, embora a estimativa de fundo descreva bem as regiões de validação, ela falha em modelar a região de sinal, o que motiva um escrutínio adicional desses eventos e métodos.
O artigo apresenta o Ising noise filter, um algoritmo de pré-filtragem baseado em grafos e informado pela física que mapeia detecções em spins binários para suprimir ruído em detectores de partículas, demonstrando alta eficácia na rejeição de ruído e melhoria na reconstrução de trajetórias nos experimentos Baikal-GVD e SPD.
Este artigo apresenta um modelo de substituição baseado em LSTM que aprende a mapeamento funcional não linear entre séries temporais de ondas e movimentos do navio para reproduzir episódios de rolamento paramétrico e suas alterações estatísticas associadas, utilizando dados tanto de simulações numéricas quanto de experimentos controlados.
Este estudo apresenta uma abordagem de aprendizado de máquina para prever a turbulência atmosférica de curto prazo, demonstrando que o modelo probabilístico FloTS oferece o melhor equilíbrio entre precisão e calibração de incerteza em comparação com métodos estatísticos e de redes neurais determinísticas.
Este artigo apresenta uma abordagem baseada em aprendizado de máquina quântico, incluindo redes neurais quanvolucionais com simetria rotacional, para classificar topologias de partículas em detectores LArTPC, demonstrando que, embora os modelos quânticos superem seus equivalentes clássicos com o mesmo número de parâmetros, eles são superados por modelos clássicos com muitos mais parâmetros.
Este trabalho apresenta um novo quadro de inferência baseado em *Flow Matching* e Simulação Baseada em Inferência (SBI) que permite a inferência conjunta bayesiana dos parâmetros do potencial galáctico e do progenitor do fluxo estelar GD-1, superando as limitações dos métodos tradicionais ao capturar acoplamentos complexos entre a dinâmica de desgarro de marés e o potencial subjacente.
Este estudo demonstra que, em estações de trem, a tendência de estranhos seguirem o caminho da pessoa imediatamente à frente, mesmo que isso aumente o tempo de viagem, é o principal motor das dinâmicas coletivas de multidões, criando padrões de movimento em cascata com implicações significativas para o gerenciamento de aglomerações e o design urbano.
Este artigo apresenta um operador de previsão analítico e sem treinamento para processos cíclo-estacionários em sistemas de energia, que supera os modelos de persistência clássicos ao incorporar simetrias temporais e propriedades estatísticas variantes no tempo para capturar com precisão as periodicidades diárias e sazonais.