physics.app-ph 篇论文

物理学中的“应用物理”领域连接着深奥的理论与我们日常生活的技术奇迹。从智能手机的传感器到医疗成像设备，这些研究将抽象的定律转化为改变世界的实际工具。这里汇集的每一项成果，都代表着人类试图利用自然规律解决具体工程难题的努力。

Gist.Science 持续追踪 arXiv 上最新发布的预印本，确保您不会错过任何前沿动态。我们不仅提供原始论文，更对每一份新上传的应用物理预印本进行深度处理，为您生成通俗易懂的科普解读与详尽的技术摘要，让复杂的科学发现变得触手可及。

以下为您整理的应用物理领域最新论文列表，请查阅：

本文表明，通过利用其 c 轴位于薄膜平面内的六方密堆积（hcp）钴的外延生长，能够利用晶体各向异性来取代对外部磁偏置的需求，从而实现工作频率在 10 GHz 以上的可重构、无场自旋霍尔纳米振荡器。

本文提出了一种利用包含电解质动力学的单颗粒模型（SPMe）与 Artiphy 代理模型的代理加速反演框架，旨在通过端电压数据快速且准确地推断非冗余的物理化学锂离子电池参数，从而在减少对破坏性电池表征依赖的同时，实现高效的计算机内参数化。

本文表明，在电阻耦合的LC网络中，图拉普拉斯算子提供了一个物理上可实现的、无参数的多尺度粗粒化框架，其中其特征向量对应于可测量的电压模式，而其特征值则量化了阻尼，从而能够构建出准确捕捉区域和全局动态的降阶RLC电路。

本文提出了一种深度学习框架，通过利用预训练神经网络来近似基于物理的模拟器，实现了二维晶体管物理参数的自动提取与模型拟合，并以显著少于以往方法的训练样本量实现了高精度。

本文证明了具有厚度和载流子密度波动的化学衍生多层石墨烯薄膜在毫特斯拉磁场下表现出巨大的能斯特效应，其横向热电势值高达 250 $\mu$ V/K，并突显了其在可扩展热电能量生成方面的潜力。

本文介绍了一种用于动态网络材料的原位局部学习框架，该框架利用正向和时间反向伴随驱动使物理系统能够自主计算梯度并训练其自身的力学参数，从而使材料能够直接从任务中获取多样化的动力学功能，而无需预设结构或专家知识。

本文将实验观测与弗洛凯理论（特别是利用了希尔利方法）相结合，旨在阐明在常规能量偏移图中无法得到解释的、AC Stark 位移里德堡 EIT 光谱中避免交叉现象背后的物理机制及高阶耦合路径。

本文提出了一种用于表征便携式原子传感器中光电探测器和共振隧穿二极管（RTD）组件磁干扰的零场光泵磁力计平台，研究表明，虽然 RTD 读取过程的影响可以忽略不计，但光电探测器电路板会根据其方向引入显著的静态磁场和噪声，从而为高灵敏度磁力计中的组件布局提供关键指导。

本文提出将动态反馈失真作为一种通用指标，用以量化软自旋伊辛机中的耦合场离散化效应，并证明通过全局偏置和有色噪声注入来减轻这种失真，能显著提高求解复杂组合优化问题的成功率。

本文提出了一种针对未掺杂薄膜二极管电容的新型分析框架，该框架考虑了注入电荷载流子和电极效应，能够提取内建电压，并通过数值模拟以及有机太阳能电池的实验数据进行了验证。