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 apresenta uma abordagem baseada em aprendizado de máquina que utiliza registros de medição de sistemas quânticos continuamente monitorados para detectar transições de fase fora do equilíbrio, demonstrando sua eficácia no modelo do processo de contato quântico.
Este artigo investiga o uso de uma equipe de agentes baseados em grandes modelos de linguagem (LLMs) para automatizar a análise de dados em física de partículas, demonstrando que a melhor solução gerada por esses agentes no conjunto de dados LHC Olympics atinge desempenho comparável aos resultados de ponta alcançados por humanos.
Este artigo identifica um novo mecanismo de criticalidade em sistemas multiplicativos multidimensionais, onde a não normalidade das matrizes aleatórias gera amplificação transitória de autovetores que eleva o expoente de Lyapunov efetivo e produz distribuições de cauda pesada, superando o modelo clássico de processos de Kesten.
Este estudo utiliza dados históricos de relógios atômicos do sistema GPS para realizar uma busca retrospectiva por campos de baixa massa emitidos pela fusão de estrelas de nêutrons GW170817, estabelecendo novos limites inferiores rigorosos para escalas de interação de física exótica e demonstrando o potencial de redes globais de satélites para testes de física fundamental.
Este artigo apresenta um novo modelo de função de espalhamento de ponto (PSF) baseado em aprendizado profundo e processos gaussianos, que supera a precisão do método PIFF ao capturar variações espaciais coerentes no campo de visão, oferecendo uma solução aprimorada para análises de lentes gravitacionais fracas em grandes levantamentos cosmológicos como o LSST.
Este trabalho demonstra que a inferência baseada em simulação auxiliada por redes neurais, particularmente o método de Estimação de Posteriori Neural (NPE), supera os métodos tradicionais como o MCMC ao gerar distribuições posteriores precisas e eficientes para espaços de parâmetros complexos do Modelo Padrão Supersimétrico (pMSSM), mesmo sob restrições experimentais rigorosas e com observáveis de matéria escura.
Este artigo propõe um novo quadro de Inferência Baseada em Simulação que utiliza Fluxos Normalizantes Fatorizáveis e uma estratégia de treinamento amortizado para permitir a medição simultânea de distribuições multivariadas e o perfilamento eficiente de incertezas sistemáticas, superando as limitações computacionais e de dimensionalidade dos métodos atuais.
Este artigo propõe uma abordagem sequencial bayesiana para a Inversão de Forma de Onda Completa (FWI) de sísmica de monitoramento temporal utilizando o método Hamiltonian Monte Carlo (HMC), que integra informações da survey de base como conhecimento prévio para estimar variações temporais com quantificação de incertezas e precisão comparável a esquemas paralelos.
O artigo deriva as distribuições estacionárias de um modelo estocástico de mercados financeiros (modelo de Chiarella estendido) e identifica condições críticas de bifurcação que determinam quando as distribuições de erro de precificação e de tendência são unimodais ou bimodais, refutando conclusões anteriores da literatura.
O estudo propõe um método para inferir parâmetros e reconstruir estados ocultos de modelos de campo médio a partir de observações parciais de redes neurais finitas, utilizando algoritmos de evolução diferencial e sincronização de modelos para obter alta precisão mesmo em dinâmicas periódicas ou caóticas.