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 estudo demonstra que a aplicação de Análise de Dados Topológicos a embeddings de atraso temporal de sinais de áudio, especificamente utilizando atrasos relacionados a frações do período fundamental, caracteriza efetivamente o timbre musical ao revelar estruturas harmônicas e distinguir instrumentos tanto em dados sintéticos quanto reais.
Este artigo apresenta um pipeline baseado em LLM que extrai com precisão dados de ligas multicomponentes tanto de textos quanto de tabelas para criar o maior banco de dados de seu tipo disponível publicamente, permitindo o design de materiais sustentáveis ao identificar candidatos a ligas de alto desempenho para aplicações de aliviamento de peso, magnéticas suaves e resistentes à corrosão.
Ao analisar simulações de Dinâmica de Dislocações Discretas de Cu fcc, este estudo revela que os comprimentos de ligação das dislocações em sistemas de deslizamento ativos seguem uma distribuição de dupla exponencial devido ao arqueamento induzido por tensão, ao passo que sistemas inativos exibem uma distribuição de exponencial simples, uma distinção explicada ao modelar a rede como um processo de Poisson unidimensional com taxas de crescimento superlineares para ligações longas.
Este artigo propõe uma estrutura de informação funcional para quantificar a objetividade clássica no Darwinismo Quântico ao medir a abundância de fragmentos do ambiente que codificam redundantemente a informação do ponteiro, revelando restrições termodinâmicas onde cada bit adicional de objetividade dobra a dissipação de calor mínima necessária para a estabilização do registro.
Este artigo apresenta uma nova estrutura combinando simulações de Monte Carlo de alta fidelidade com inferência bayesiana para alcançar uma quantificação rápida e de alta precisão de fontes móveis de raios gama, avançando significativamente as capacidades em segurança radiológica, mapeamento geofísico e exploração espacial.
Este artigo apresenta um framework de aprendizado de máquina multimodal interpretável que integra dados analíticos heterogêneos de SEM, Raman, adsorção de gás e medições elétricas para caracterizar filmes de nanotubos de carbono, demonstrando que modelos não lineares como o XGBoost podem prever propriedades de materiais com precisão, ao mesmo tempo em que fornecem insights fisicamente significativos sobre as relações estrutura-propriedade subjacentes.
Este artigo apresenta uma análise teórica demonstrando que a seleção de características não supervisionada para proteínas usando o Desequilíbrio de Informação Diferenciável revela uma transição de fase entre estados do tipo vítreo e do tipo líquido, onde o número crítico de características físico-químicas coincide com a saturação do desempenho de classificação downstream, oferecendo um critério fundamentado para identificar conjuntos de características mínimos.
Este artigo demonstra que a superposição de características em redes neurais induz um expoente de treinamento de lei de potência universal de aproximadamente 1, independente das estatísticas dos dados, acelerando assim a dinâmica de treinamento em até dez vezes em comparação ao aprendizado sequencial sem superposição.
Este artigo apresenta o SPARKX, um pacote Python de código aberto projetado para simplificar e aprimorar a análise de cinemática relativística em experimentos de colisões de íons pesados, ao fornecer um conjunto de ferramentas abrangente e de múltiplos formatos que se integra aos principais frameworks de simulação, como SMASH e JETSCAPE.
Este artigo demonstra que interações atrativas de curto alcance entre quase-partículas brownianas termicamente impulsionadas permitem uma otimização eficiente em termos de energia, escalável e robusta por meio de um comportamento cooperativo emergente, superando buscadores não interagentes tanto em paisagens espaciais estáticas quanto dinâmicas.