335 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 artigo apresenta o protocolo O-Sensing, que utiliza otimização de parcimônia e entropia espectral para inferir a geometria de interação, o Hamiltoniano e as simetrias de um sistema quântico de muitos corpos diretamente a partir de poucos autoestados de baixa energia, superando a degenerescência do espaço de operadores candidatos.
Este trabalho apresenta uma nova abordagem de filtro de Kalman por conjunto que elimina a necessidade de técnicas de localização auxiliares ao localizar intrinsicamente a densidade de probabilidade da análise através de uma aproximação variacional bayesiana em marginais independentes, demonstrando desempenho comparável aos métodos tradicionais com localização ajustada em termos de precisão e custo computacional.
Este artigo analisa a discrepância entre as dinâmicas contínuas e as implementações discretas de máquinas de Ising baseadas em realimentação de medição, propondo e validando experimentalmente um método para reduzir a sensibilidade à seleção de hiperparâmetros nessas arquiteturas.
O artigo propõe que a verdadeira abstração em redes neurais depende tanto da profundidade quanto da abrangência do conjunto de dados, utilizando uma abordagem de grupo de renormalização para demonstrar, através de experimentos numéricos, que representações em redes profundas convergem para um "Modelo de Características Hierárquicas" à medida que a profundidade e a diversidade dos dados aumentam.
O artigo propõe um novo framework baseado na teoria da evidência de Dempster-Shafer para reconstruir com alta precisão e robustez a topologia de redes complexas a partir de séries temporais, demonstrando sua eficácia tanto em modelos teóricos quanto em dados do mundo real.
Este artigo discute critérios internos para avaliar a qualidade dos resultados do processo de "desdobramento" (unfolding) de dados experimentais em física e dosimetria, permitindo a estimativa confiável de distribuições verdadeiras independentemente de informações externas.
Este artigo propõe e valida um método quantitativo baseado na inclinação do termo determinístico de uma equação de Langevin para avaliar a resiliência e o risco de mudanças de regime em sistemas ecológicos, demonstrando que essa abordagem é mais robusta e confiável do que indicadores tradicionais de alerta precoce na presença de ruído forte, correlacionado e sazonalidade.
Este estudo propõe uma abordagem bayesiana de Langevin para quantificar simultaneamente a dinâmica determinística e estocástica em sistemas críticos, aplicando-a à análise do apagão de 1996 na América do Norte para revelar interações complexas entre resiliência e ruído que indicam mudanças no estado da rede antes do evento desencadeador oficial.
Este estudo analisa a correlação média do S&P500 utilizando uma equação de Langevin generalizada, demonstrando que efeitos de memória de pelo menos três semanas e a existência de uma escala de tempo lenta oculta são cruciais para melhorar a precisão das previsões e apoiar a estabilidade local dos estados de mercado.
O artigo demonstra que os métodos comuns de correção para a regressão à média são problemáticos e propõe que a abordagem mais robusta consiste em comparar a inclinação bruta não corrigida com uma expectativa nula estrutural baseada na reprodutibilidade, em vez de aplicar correções que podem introduzir viés ou variância excessiva.