physics.data-an 篇论文

物理学中的数据分析和计算模拟正以前所未有的速度重塑我们对自然规律的理解。这一领域不再仅仅依赖传统的实验室测量，而是通过处理海量观测数据，揭示出宇宙从微观粒子到宏观星系中隐藏的复杂模式。

在 Gist.Science，我们直接从 arXiv 获取该领域的最新预印本，并为您精心处理每一份新发布的论文。无论是通俗易懂的科普解读，还是深入严谨的技术摘要，我们都致力于让前沿的物理数据分析成果变得触手可及。

下方为您呈现该分类下最新的精选论文，助您快速把握数据驱动物理学的最新脉搏。

本文通过证明其学习到的潜表征能够作为低级探测器数据与多样化高级分析任务之间共享且信息丰富的桥梁，显著提升了相比于传统模块化方法的性能与效率，从而确立了机器学习粒子流（MLPF）作为对撞机物理领域基础模型的地位。

本文通过区分业务需求与研发需求，并提出诸如合并数据集、局部不确定性估计以及指定测试场等具体建议，以克服当前的部署障碍，从而发起了一场关于磁导航标准化地球物理数据要求的社区对话。

本文引入了一个通用的信息论框架，该框架通过捕捉有意义的高阶相互作用并利用归一化互信息度量来纠正伪相关，从而实现了对超图的原则性比较。

本文引入了一种对称-电子指纹（SEF）表示法，该表示法通过整合晶体学对称性和位点解析的电子结构，使机器学习模型能够准确预测二维材料中的磁性性质，同时独特地利用模型不确定性作为诊断工具，来识别并表征竞争磁相与磁挫折。

本文提出了一种实用的协议和一类新型概率评论器（VSIB），通过利用低维潜在表示并提供显式的统计一致性检查和置信区间，实现在高维、欠采样机制下可靠且偏差修正的互信息估计。

本文引入了一种空间掩码回归（SMR）框架，该框架通过在系统性地排除相邻通道的情况下重建电生理记录信号，量化了局部信息与分布式信息之间的平衡，从而揭示了单个通道既反映了即时的局部冗余性，也反映了更广泛的网络结构。

本文介绍了 fitPALSpectra，这是一个开源 Python 工作流，旨在通过提供一个可配置的工具，利用经过验证能准确恢复合成数据上真实参数的解析集成指数-高斯模型，来解决正电子湮灭寿命谱（PALS）数据分析中的挑战，从而实现对光谱的模拟、拟合和可视化。

本文建立了一个将封闭系统神经网络集成与核反应理论中的开放系统类比进行比较的理论框架，并最终得出结论：由于缺乏连续谱和波动行为，后者独特的非厄米动力学在主流学习中结构性地缺失，从而将运行不确定性的真正来源定位在封闭系统的对应关系之中。

本文应用了同时满足贝叶斯似然排序和频率派置信度要求的相对信念推断，来构建粒子物理学中泊松信号加背景模型的置信区间，并证明了其相对于标准费德曼-考西斯斯（Feldman-Cousins）方法的优势。