252 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 detalha os métodos estatísticos utilizados para detectar asteroides binários astrométricos nos dados do FPR do Gaia, apresentando uma lista atualizada de 343 candidatos e demonstrando a confiabilidade do método por meio de avaliações de desempenho que mostram taxas de detecção significativamente superiores em comparação com simulações contendo apenas ruído.
Este artigo propõe um novo framework de detecção de sinais que dispensa a necessidade de estimar a distribuição completa do fundo, ao utilizar um único parâmetro "compensador" para contabilizar a incerteza do fundo, simplificando assim a complexidade da inferência e melhorando a propagação da incerteza.
Este artigo apresenta a Lumina, uma estrutura modular baseada em Python que unifica dados de materiais multiescala fragmentados para regimes extremos aero-químico-termo-mecânicos em um ecossistema centralizado e aumentado por inteligência artificial, a fim de otimizar o projeto experimental, validar comportamentos químicos e aprimorar a modelagem preditiva para aplicações avançadas de defesa e aeroespacial.
Ao analisar dados de alta resolução de 142 cidades em todo o mundo, este estudo demonstra que as flutuações climáticas intraurbanas de temperatura e poluição do ar seguem funções de escala universais determinadas pelas propriedades médias da rede viária, superando assim as limitações das métricas tradicionais de tamanho das cidades e permitindo modelos de complexidade reduzida mais precisos para o planejamento urbano.
Este artigo apresenta um framework transparente e independente de codificação que utiliza contagens de recursos e benchmarks de hardware para demonstrar que alcançar utilidade quântica precoce para o Problema de Roteamento de Veículos com Capacidade (CVRP) é atualmente improvável em dispositivos NISQ, revelando uma vantagem massiva de qubits para codificações de ordem superior sobre mapeamentos QUBO diretos, ao mesmo tempo em que sugere que a decomposição inovadora de problemas é essencial para a vantagem quântica futura.
Este artigo caracteriza analiticamente como diferentes funções de ativação de unidades ocultas em Máquinas de Boltzmann Restritas influenciam as estatísticas das interações induzidas e a capacidade de aprender estruturas de dados complexas e de ordem superior, demonstrando que não linearidades de crescimento rápido, como a função Exponencial, podem facilitar significativamente a representação e o aprendizado de tais padrões.
GenL é um programa flexível, extensível e de código aberto baseado em MATLAB que utiliza um algoritmo genético para simular e ajustar dados de refletividade e difração de raios X provenientes de filmes finos epitaxiais, oferecendo tanto o código-fonte quanto opções de binários pré-compilados para extrair parâmetros estruturais como perfis de tensão e rugosidade cristalina.
Este artigo apresenta o *vega-mir*, um toolkit Python de código aberto para análise simbólica de música que oferece nove métricas de teoria da informação, e demonstra sua utilidade por meio de estudos de caso que revelam uma correlação entre a centralidade do grafo harmônico e a distância harmônica entre compositores, bem como evidências de que o rubato de Glenn Gould é caracterizado por periodicidade estruturada em vez de rigidez métrica.
Este artigo apresenta uma abordagem de inferência bayesiana aplicada a um método de tubo com três microfones e distribuição circunferencial para resolver saltos de fase e estimar com precisão a impedância característica e o coeficiente de propagação de meios porosos em faixas de frequência estendidas.
Este artigo propõe uma abordagem de inferência baseada em simulação neural híbrida para restringir o acoplamento autointerativo trilinear do bóson de Higgs e outros operadores do SMEFT utilizando a produção de Higgs fora da massa de ressonância no LHC de Alta Luminosidade, alcançando sensibilidade próxima ao ótimo teórico ao combinar treinamento aprimorado por elementos de matriz com estimativa de fundo baseada em classificação.