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 artigo revisa os avanços recentes e as tendências em algoritmos de reconhecimento de padrões e análise de dados para detectores RICH, abrangendo desde métodos tradicionais até a aplicação de ferramentas modernas de aprendizado de máquina para simulação e reconstrução.
Este estudo apresenta diagramas de fase pressão-temperatura globalmente invertidos para quatro materiais planetários fundamentais, derivados de aprendizado de máquina e um banco de dados experimental, resolvendo disputas de longa data sobre suas curvas de fusão e refinando os modelos de estrutura interna de gigantes gasosos e exoplanetas super-Terras.
Este estudo apresenta uma abordagem baseada na teoria da informação para quantificar a dependência temporal em processos estocásticos discretos, demonstrando que a ocorrência diária de precipitação nos Estados Unidos é bem descrita por cadeias de Markov de baixa ordem com variações regionais e sazonais, oferecendo assim uma estrutura robusta para modelos estocásticos e previsões climáticas.
O artigo apresenta a microscopia auxiliada por contagem de íons (ICAM), uma técnica quantitativa que mitiga o ruído de disparo de elétrons secundários, permitindo a redução da dose de partículas incidentes e a obtenção de imagens de alta qualidade em amostras sensíveis.
Este artigo apresenta uma abordagem de entropia máxima para modelar redes temporais em tempo contínuo, derivando intensidades de processos de Poisson não homogêneos que permitem uma representação modular e interpretável, gerando modelos eficazes com log-verossimilhança superior e capacidades de previsão estatística.
Este estudo apresenta um framework computacionalmente eficiente que utiliza a densidade eletrônica não interativa e aprendizado ativo bayesiano para prever com alta precisão as propriedades de ligas de alta entropia refratárias, permitindo a descoberta acelerada de novos materiais através da extrapolação zero-shot e da transferência de conhecimento entre sistemas químicos distintos.
O artigo identifica um novo mecanismo chamado "pseudo-coerência", no qual sistemas estocásticos linearmente estáveis e sem osciladores intrínsecos exibem organização temporal coletiva e comportamento sincronizado devido à amplificação pseudoespectral não normal, gerando correntes irreversíveis e picos espectrais sem necessidade de bifurcações ou cruzamentos de autovalores.
Este artigo propõe e avalia dois métodos de aprendizado simbólico, o SyNF e o SyTF, que geram equações algébricas interpretáveis para prever séries temporais caóticas com precisão competitiva e transparência científica, superando as limitações de "caixa preta" dos modelos de deep learning.
Este trabalho apresenta a Decomposição Parcial da Causalidade de Granger (PDGC), uma ferramenta baseada em decomposição de informação parcial que, ao analisar interações redundantes e sinérgicas em redes fisiológicas, revela novos padrões de disfunção autonômica relacionados ao controle simpático em pacientes com síncope neuramente mediada.
Este artigo propõe uma nova arquitetura de Rede Neural em Grafos Heterogêneos que, ao integrar aprendizado multi-tarefa e camadas de poda de grafos, melhora significativamente a reconstrução de hádrons de beleza e a associação de vértices em colisões de partículas do LHC, superando desafios de escalabilidade e latência.