🔬 Category

physics.data-an

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.

Aeroelastic Reduced-Order Model Differential Equations in Transonic Buffeting Flow

Este artigo apresenta um modelo de ordem reduzida não linear e não estacionário, que integra a teoria de Volterra com dinâmica de osciladores e utiliza o algoritmo OMP para identificar seus parâmetros, demonstrando sua capacidade de reproduzir com alta precisão e eficiência computacional o comportamento aeroelástico complexo, incluindo o travamento (lock-in), em escoamentos transônicos com buffet de choque sobre um perfil OAT15A.

Michael Candon, Pier Marzocca, Earl H. Dowell2026-03-03🔬 physics

High-Accuracy Material Classification via Reference-Free Terahertz Spectroscopy: Revisiting Spectral Referencing and Feature Selection

Este estudo demonstra que a seleção de características baseada em dados, particularmente o método SFS, permite a classificação precisa de materiais em espectroscopia de terahertz sem necessidade de referência, utilizando apenas um subconjunto reduzido de frequências e eliminando a dependência de fontes de banda larga.

Mathias Hedegaard Kristensen, Paweł Piotr Cielecki, Esben Skovsen2026-03-03🔬 physics.app-ph

Algorithm to extract direction in 2D discrete distributions and a continuous Frobenius norm

Este estudo apresenta um novo algoritmo que determina a direcionalidade em distribuições bidimensionais discretas ao minimizar a norma de Frobenius contínua (CFND) entre matrizes rotacionadas, validando sua eficácia através de simulações e demonstrando que a aproximação de primeira ordem segue uma função seno absoluta com aplicações em detectores de neutrinos, astronomia e aprendizado de máquina.

Jeffrey G. Yepez, Jackson D. Seligman, Max A. A. Dornfest, Brian C. Crow, John G. Learned, Viacheslav A. Li2026-03-02🔭 astro-ph

Dichography: Two-frame Ultrafast Imaging from a Single Diffraction Pattern

Os autores demonstram experimentalmente a "Dichography", um método que utiliza pares de pulsos de raios X de cores diferentes para separar algoritmicamente sinais de difração sobrepostos e reconstruir duas imagens temporais distintas de amostras nanoscópicas a partir de um único padrão de difração, permitindo a observação de estruturas com resolução de 20 nm e validando a ausência de danos estruturais significativos em escalas de tempo de até 750 fs.

Linos Hecht, Andre Al Haddad, Björn Bastian, Thomas M. Baumann, Johan Bielecki, Christoph Bostedt, Subhendu De, Alberto De Fanis, Simon Dold, Thomas Fennel, Fanny Goy, Christina Graf, Robert Hartmann (…)2026-03-02🔬 physics.optics

Geometric Autoencoder Priors for Bayesian Inversion: Learn First Observe Later

Este trabalho apresenta o GABI, um framework que utiliza autoencoders geométricos para aprender priores generativos condicionados à geometria a partir de grandes conjuntos de dados, permitindo a quantificação de incertezas robusta e adaptável em problemas de inversão bayesiana de sistemas físicos com geometrias complexas, sem depender das equações governantes.

Arnaud Vadeboncoeur, Gregory Duthé, Mark Girolami, Eleni Chatzi2026-03-02📊 stat

NuBench: An Open Benchmark for Deep Learning-Based Event Reconstruction in Neutrino Telescopes

O artigo apresenta o NuBench, um novo benchmark aberto que oferece sete conjuntos de dados simulados abrangentes para comparar e desenvolver métodos de reconstrução de eventos baseados em aprendizado profundo em telescópios de neutrinos, superando a falta de dados padronizados que dificultava a colaboração entre experimentos.

Rasmus F. Orsoe, Stephan Meighen-Berger, Jeffrey Lazar, Jorge Prado, Ivan Mozun-Mateo, Aske Rosted, Philip Weigel, Arturo Llorente Anaya2026-03-02⚛️ hep-ex

Short-Term Forecasting of Energy Production and Consumption Using Extreme Learning Machine: A Comprehensive MIMO based ELM Approach

Este artigo propõe uma metodologia inovadora de previsão de curto prazo para produção e consumo de energia na Córsega, utilizando uma arquitetura Multi-Entrada Multi-Saída baseada em Máquinas de Aprendizado Extremo (ELM) que, graças ao seu baixo custo computacional e alta precisão, supera métodos tradicionais e é ideal para aplicações em tempo real.

Cyril Voyant, Milan Despotovic, Luis Garcia-Gutierrez, Mohammed Asloune, Yves-Marie Saint-Drenan, Jean-Laurent Duchaud, hjuvan Antone Faggianelli, Elena Magliaro2026-02-27🤖 cs.LG

Physics-guided impact localisation and force estimation in composite plates with uncertainty quantification

Este artigo apresenta um quadro híbrido que combina a Teoria de Deformação por Cisalhamento de Primeira Ordem (FSDT) guiada por física com aprendizado de máquina e quantificação de incerteza para realizar a localização de impactos e a estimativa de forças em placas compostas com alta precisão e robustez, mesmo na presença de dados experimentais escassos.

Dong Xiao, Zahra Sharif-Khodaei, M. H. Aliabadi2026-02-24🔬 physics.app-ph