332 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 e compara duas abordagens, um modelo astronômico paramétrico e um modelo baseado em Análise de Espectro Singular (SSA), para preencher a lacuna de dois anos na série de movimento polar C01 do IERS entre 1858,9 e 1860,9, concluindo que o método SSA é preferível por se basear em um modelo de movimento polar mais completo.
Os autores desenvolveram uma rede neural invariante a rotações que otimiza portfólios de grande escala para minimização de variância, aprendendo a transformar retornos históricos e limpar autovalores de matrizes de covariância, demonstrando superioridade consistente em volatilidade, drawdown e Sharpe ratio em comparação com métodos existentes, mesmo sob restrições de longo prazo e condições de mercado realistas.
Este artigo visa esclarecer a confusão comum entre físicos sobre a descrição de resultados de amostragem Poisson, comparando diferentes técnicas e recomendando o uso de intervalos de confiança propostos por Garwood devido às suas propriedades estatísticas superiores e interpretação intuitiva.
Este artigo propõe uma abordagem otimizada para Redes de Kolmogorov-Arnold (KANs) que combina arquiteturas superdimensionadas com esparsificação, supervisão profunda e seleção de profundidade, permitindo a descoberta de modelos compactos e interpretáveis sem sacrificar a precisão, ao mesmo tempo que resolve a tensão entre expressividade e interpretabilidade no aprendizado de máquina científico.
Este artigo revisa as justificações bayesianas para argumentos de naturalidade e a navalha de Occam, demonstrando que o "navalha automática" inerente ao formalismo bayesiano penaliza naturalmente modelos que exigem ajuste fino para concordar com as observações, sem a necessidade de incerteza aleatória.
Este estudo demonstra que a assimilação de observações do oceano profundo é crucial para melhorar a precisão das previsões de ensemble no Golfo do México, pois as interações dinâmicas entre as camadas superficiais e profundas, especialmente os vórtices mesoescala, influenciam significativamente a evolução do campo de superfície.
Este artigo propõe um novo axioma que garante que nenhum parâmetro entrópico possa ser inferido a partir de uma distribuição uniforme, o que seleciona a entropia de Rényi como a única família consistente entre generalizações existentes e permite a estimação confiável de parâmetros a partir de dados, resolvendo contradições anteriores na maximização da verossimilhança.
Este estudo demonstra que a participação precoce em atividades de intermediação (brokerage) na academia gera uma vantagem cumulativa que amplifica o sucesso futuro dos físicos, contribuindo para a desigualdade de resultados, embora a promoção dessas oportunidades no início da carreira possa ajudar a mitigar essas disparidades.
Este artigo investiga como Redes Generativas Adversariais Quânticas (QGANs), utilizando um gerador quântico e um discriminador clássico simulados por métodos de simulação completa ou redes de tensores, podem gerar séries temporais financeiras sintéticas que não apenas correspondem à distribuição alvo, mas também capturam correlações temporais desejadas, com a qualidade dos resultados dependendo dos hiperparâmetros e do método de simulação escolhido.