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 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 artigo demonstra que é possível escolher uma parametrização de prior que garanta incertezas conservadoras para os parâmetros de interesse em análises bayesianas, mesmo na presença de correlações desconhecidas entre parâmetros de nuisance de diferentes experimentos.
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 nova metodologia para análise de dados de espalhamento de nêutrons e raios-X em modo de evento que, ao eliminar etapas de histogramação, integração numérica e ajuste por mínimos quadrados, oferece maior precisão nos parâmetros e eficiência, embora exija maior tempo de computação e seja menos intuitiva que as abordagens tradicionais.
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 artigo apresenta algoritmos para estimar modelos de erro de detectores (DEMs) diretamente a partir de síndromes em chips quânticos do Google, demonstrando que esses modelos estimados superam os baseados em desempenho lógico na previsão de síndromes não vistas, permitem o rastreamento de erros em tempo real e revelam correlações de longo alcance e novos artefatos físicos, como eventos de radiação, que desafiam os modelos tradicionais.
Este artigo demonstra que, quando a prior condicional em modelos hierárquicos bayesianos é uma distribuição canônica de máxima entropia, a prior marginal resultante também possui uma propriedade de máxima entropia, porém sujeita a uma restrição diferente sobre a distribuição marginal de uma função das quantidades desconhecidas, esclarecendo assim a informação assumida nesses modelos.
Este artigo apresenta um framework de duas etapas que mapeia a incerteza dos parâmetros de cinética química detalhada para modelos reduzidos, permitindo uma quantificação eficiente e espacialmente resolvida da incerteza em simulações de escoamentos reativos complexos.