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 estudo apresenta o framework WT-RDF+, que aprimora a reconstrução da Função de Distribuição Radial (RDF) em materiais amorfos, como os sistemas Ge-Se e Ag-Ge-Se, através da otimização de parâmetros físicos por meio de aprendizado de máquina, superando modelos de benchmark e corrigindo limitações de precisão de amplitude.
Este estudo apresenta um novo método baseado em espectroscopia de campo integral para separar as contribuições de núcleos galácticos ativos e formação estelar, revelando uma correlação moderada entre a razão de Eddington do AGN e a formação estelar nuclear recente, o que sugere uma ligação temporal entre os dois processos.
O artigo apresenta uma visão geral do GenomeBits, uma ferramenta de análise genômica baseada em física e processamento de sinais que mapeia nucleotídeos em sequências numéricas para revelar padrões de mutação, transições ordem-desordem em variantes virais e propriedades quânticas análogas em genomas.
O artigo demonstra que utilizar taxas de aprendizado suficientemente altas para induzir transientes caóticos no treinamento de redes neurais, criando um equilíbrio entre exploração e exploração, pode acelerar significativamente a convergência para uma precisão aceitável em diversas arquiteturas e tarefas de aprendizado supervisionado.
Este artigo desenvolve uma estrutura termodinâmica para a inferência assintótica, na qual a informação de Shannon atua como entropia e a variância do parâmetro define um espaço de estado, unificando conceitos como a identidade de de Bruijn e a relação I-MMSE sob uma descrição física que revela limites fundamentais de eficiência e processos evolutivos opostos entre física de ensemble e inferencial.
Este artigo demonstra que o uso de Redes Neurais em Grafos (GNNs) para estimar o momento de múons no experimento CMS supera modelos tradicionais como o TabNet, destacando a importância da dimensão das características dos nós para a eficiência do modelo.
Os autores propõem um framework de detecção de anomalias para dados de colisores, baseado em um modelo de difusão latente bayesiano e informado por física, que combina codificação probabilística e restrições físicas para melhorar a estimativa de densidade e a generalização na busca por nova física no LHC.
Este artigo apresenta o "Extracted Mode Tracking" (EMT), uma nova estrutura de análise de dados baseada em aprendizado de máquina não supervisionado que permite determinar instantaneamente a amplitude e a fase de modos de ondas de superfície axissimétricas sem depender de condições de contorno teóricas, superando assim limitações experimentais e viabilizando o estudo quantitativo de dinâmicas não lineares em interfaces fluidas.
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.