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.
Este trabalho apresenta o GABI, um framework que utiliza autoencoders geométricos para aprender priores generativos condicionados à geometria a partir de grandes conjuntos de dados, permitindo a quantificação de incertezas robusta e adaptável em problemas de inversão bayesiana de sistemas físicos com geometrias complexas, sem depender das equações governantes.
O artigo apresenta o NuBench, um novo benchmark aberto que oferece sete conjuntos de dados simulados abrangentes para comparar e desenvolver métodos de reconstrução de eventos baseados em aprendizado profundo em telescópios de neutrinos, superando a falta de dados padronizados que dificultava a colaboração entre experimentos.
O artigo apresenta o método AUSSIE, uma nova abordagem para a desconvolução de dados no LHC que elimina a necessidade de iterações, otimização minimax ou mapeamentos substitutos, garantindo correção assintótica e menor dependência de simulações de referência.
Este artigo propõe uma metodologia inovadora de previsão de curto prazo para produção e consumo de energia na Córsega, utilizando uma arquitetura Multi-Entrada Multi-Saída baseada em Máquinas de Aprendizado Extremo (ELM) que, graças ao seu baixo custo computacional e alta precisão, supera métodos tradicionais e é ideal para aplicações em tempo real.
Este artigo aplica teorias da dinâmica de fluidos, especificamente a decomposição ortogonal própria e a aproximação do operador de Koopman, para desenvolver duas abordagens de autovalores que permitem a compressão, reconstrução e descrição espectral de redes temporais através de modos dinâmicos.
Este estudo utiliza reconstrução não paramétrica com Processos Gaussianos em dados de cronômetros cósmicos para testar a constância da luminosidade de supernovas Tipo Ia, encontrando consistência geral com o modelo de velas padrão, mas revelando desvios localizados em diferentes épocas que sugerem uma evolução não monotônica da luminosidade.
Este trabalho propõe um novo quadro de estimação de máxima verossimilhança baseado em otimização esparsa e no algoritmo IRLS para o rastreamento de partículas em fluxos turbulentos, superando os métodos existentes ao recuperar com maior precisão as acelerações e a intermitência estatística de cauda pesada inerentes a esses fenômenos.
O artigo alerta que a superconfiança na metrologia híbrida para a fabricação de semicondutores, causada pela negligência da "incerteza escura" ao combinar resultados inconsistentes, pode levar a uma subestimação crítica da incerteza total, e propõe modelos estatísticos e boas práticas para mitigar esse risco.
Este trabalho demonstra que, ao contrário dos métodos *post-hoc*, as abordagens de aprendizado orientado à cobertura (como regressão heterocedástica e funções de perda baseadas em qualidade) são essenciais para internalizar regimes físicos complexos e garantir estimativas de incerteza fisicamente consistentes na previsão do Fluxo de Calor Crítico.
Os autores desenvolveram uma abordagem bayesiana que utiliza informações de snapshots de rede passados para definir uma distribuição a priori e prever futuras configurações de rede com quantificação de incerteza, demonstrando superioridade na reconstrução de redes interbancárias em evolução em comparação com métodos tradicionais de previsão de ligações.