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.
Este trabalho desenvolve uma teoria estatística que quantifica a janela máxima de aprendibilidade temporal em redes neurais recorrentes, demonstrando que a geometria do decaimento do envelope de taxa de aprendizado e a natureza do ruído de gradiente determinam regimes de crescimento (logarítmico, polinomial ou exponencial) desse horizonte, com validação experimental em diversas arquiteturas.
Este estudo analisa as variações de brilho do cometa 17P/Holmes de 1892 a 2021, com foco na excepcional erupção de 2007, para determinar a distribuição de tamanhos e a massa total dos aglomerados porosos ejetados, fornecendo restrições quantitativas essenciais para modelar a evolução de trilhas de poeira e a origem de chuvas de meteoros.
Os autores propõem um método de varredura óptica combinado com um autoencoder neural que, ao incorporar penalidades de isometria, permite a reconstrução robusta e em alta resolução da forma 3D de folhas transparentes e altamente deformadas em fluxo.
Este artigo apresenta um protocolo bayesiano que combina correspondência de espectros completos e avaliação de evidências probabilísticas para identificar com alta significância estatística fontes de nêutrons individuais ou duplas a partir de espectros de recuo e tempo de voo, mesmo com contagens de eventos tão baixas quanto 10³.
Este estudo apresenta um protocolo otimizado que utiliza redes neurais artificiais para identificar solventes em suspensões de amido a partir de padrões de fratura pós-dessecamento, alcançando uma precisão média de 96% ao analisar nove características morfológicas das imagens.
O artigo apresenta o \texttt{py5vec}, um pacote Python modular que implementa e estende o método de 5-vetores para a busca de ondas gravitacionais contínuas, incorporando uma nova verossimilhança robusta, permitindo estimativa bayesiana de parâmetros e validando sua eficácia com dados reais do LIGO.
Este trabalho apresenta previsões de restrições cosmológicas utilizando estatísticas de ondas (WST e WPH) e espectros de potência em lentes gravitacionais do CMB e de galáxias, demonstrando que os coeficientes de fase harmônica superam os espectros de potência cruzados ao combinar dados do CMB com o Euclid DR2, enquanto uma nova abordagem de agrupamento aprendido otimiza a compressão e a robustez dos resultados.
Este artigo apresenta um framework robusto e eficiente baseado em redes neurais convolucionais unidimensionais (1D-CNN) para análise em tempo real de espectros de ressonância magnética opticamente detectada (ODMR) de centros de vacância de nitrogênio em diamante, superando as limitações dos métodos de ajuste não linear convencionais em termos de velocidade, precisão e robustez, especialmente em baixas razões sinal-ruído, e validando sua aplicação em medições de temperatura intracelular e imageamento magnético de vórtices supercondutores.
Este trabalho resume os recentes avanços no uso de algoritmos de inteligência artificial, como redes neurais gráficas e transformadores, para classificar jatos hadrônicos e identificar objetos pesados no experimento ATLAS, destacando seu desempenho em dados simulados e reais e as perspectivas futuras para otimização baseada em dados.
O artigo apresenta os Processos Gaussianos Modulados Aleatoriamente como um quadro unificador para modelar, analisar e classificar a difusão anômala em meios heterogêneos, permitindo a caracterização estatística sistemática de diversos modelos existentes e sua aplicação na interpretação de trajetórias de partículas únicas em sistemas biológicos.