261 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 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.
Este estudo demonstra, por meio de dados reais do Twitter, que a disseminação de informações em redes sociais não é aleatória, mas segue padrões estruturados e previsíveis descritos por modelos de seleção preferencial global e local.
Este artigo apresenta duas abordagens baseadas em aprendizado de máquina para otimizar o rastreamento de múons no Espectrômetro de Múons do ATLAS: o uso de Redes Neurais de Grafos para rejeitar ruídos e acelerar a reconstrução em 15%, e a aplicação de Vision Transformers para alcançar uma reconstrução aproximada ultra-rápida em 2,3 ms com 98% de eficiência, visando enfrentar os desafios de alta luminosidade do LHC.
Os autores propõem um modelo estatístico flexível baseado em misturas de especialistas de processos gaussianos para estimar os constantes ópticos a partir de espectros de absorção, permitindo a integração estatística das relações de Kramers-Kronig, a modelagem de erros nos pontos de ancoragem e a seleção automática de pontos de medição, com validação experimental em arseneto de gálio, cloreto de potássio e madeira transparente.
Este estudo utiliza dados de reanálise de 1876 a 2011 para demonstrar que as condições meteorológicas de incêndio na Austrália tornaram-se mais severas ao longo do último século, impulsionadas principalmente por tendências de temperatura e umidade atribuídas às mudanças climáticas causadas pelo homem.