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.
O estudo analisa a rede de comércio intermunicipal no estado do Ceará utilizando dados de notas fiscais eletrônicas, empregando algoritmos de detecção de comunidades e modelos de Máxima Entropia para demonstrar que as comunidades econômicas identificadas operam em um estado de alta coesão, próximo a um ponto crítico.
O artigo propõe o processo Poisson Log-Normal (PoLoN), uma abordagem não paramétrica baseada em processos Gaussianos que utiliza regressão de taxas logarítmicas para modelar, prever e extrair sinais de dados de contagem inteiros, demonstrando eficácia tanto em dados sintéticos quanto em dados reais do CERN.
Este estudo utiliza a teoria de perturbação singular e o limite de largura infinita para analisar a dinâmica de escalas temporais distintas (rápida-lenta) em redes neurais, revelando como a evolução dos pesos da segunda camada determina as condições sob as quais ocorre o fenômeno de "desaprendizado de características" (*feature unlearning*).
O DerivKit é um pacote Python que implementa diferenciação numérica estável para realizar previsões de matriz de Fisher e expansões de verossimilhança não gaussianas, servindo como uma ponte entre previsões rápidas e métodos de amostragem intensivos como o MCMC.
Este artigo demonstra que, mesmo em experimentos de contagem de alta estatística, tamanhos finitos de amostras de Monte Carlo usados para modelar incertezas sistemáticas fazem com que as aproximações assintóticas padrão para intervalos de confiança da razão de verossimilhança de perfil falhem, resultando em subcobertura sistemática.
Almanac é um framework baseado em Monte Carlo de Hamiltoniano que extrai mapas de todo o céu sem ruído e seus correspondentes espectros de potência a partir de observações cosmológicas ruidosas através de múltiplos intervalos de redshift, fornecendo produtos de dados posteriores independentes de modelo que evitam problemas como o vazamento $EB$ e permitem diagnósticos robustos de erros sistemáticos ou nova física.
Este estudo compara cinco algoritmos distintos de detecção de vazios aplicados à simulação IllustrisTNG para demonstrar que, embora o gradiente radial do viés galáctico individual dentro de vazios cósmicos seja uma característica robusta, a seleção específica de galáxias anti-viesadas e a contaminação por galáxias de fronteira de alto viés dependem significamente da definição de vazio e dos limiares de densidade adotados.
Este artigo apresenta o MoreFit, um framework de alto desempenho para estimativa de parâmetros por máxima verossimilhança não agrupada em física de partículas que utiliza grafos de computação compilados em tempo de execução (just-in-time), otimizações automáticas inovadoras e backends heterogêneos (OpenCL e LLVM/Clang) para alcançar velocidade e eficiência superiores em diversas plataformas de hardware.
Este artigo avalia sistematicamente a sensibilidade de quatro métodos de detecção de anomalias semissupervisonados a hiperparâmetros não ajustáveis na busca por física Além do Modelo Padrão e propõe um teste de permutação robusto e não paramétrico para avaliação estatística.
Este artigo unifica a regressão por processo gaussiano com a decomposição de modos dinâmicos para enfrentar os desafios de escalabilidade e otimização de hiperparâmetros dos métodos de operador de Koopman baseados em kernel, melhorando, assim, a eficiência computacional e a resiliência ao ruído na modelagem de sistemas dinâmicos não lineares.