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。

该论文提出了一种基于 GPU 加速的序贯蒙特卡洛方法，用于高效解决贝叶斯光谱分析中的模型选择与参数估计问题，在 XPS 和 XRD 等光谱数据处理中实现了超过 500 倍于传统 CPU 并行方法的加速比。

这篇综述文章探讨了新兴人工智能技术如何通过增强跨域交互、支持更连贯的多分量表征以及推动统一地球系统框架的发展，来克服传统多分量模型的长期局限，从而为提升耦合地球系统建模的物理一致性、可解释性与集成度提供结构化基础。

本文提出了名为 PATHFINDER 的自主显微框架，通过结合潜在空间表征、代理模型与帕累托优化策略，在有限实验预算下平衡目标驱动优化与新颖性发现，从而避免陷入单一最优解并实现对结构、光谱及测量空间的多目标高效探索。

该论文提出利用概率神经网络替代高斯过程进行脉冲星计时阵列中的引力波背景贝叶斯推断，在确保后验分布一致性的同时显著降低了训练与采样计算成本。

该研究利用直接数值模拟的湍流气味场证明，在三维湍流环境中，由探索型和利用型个体组成的异质性策略群体，通过缓解信号空间相关性带来的负面影响，比同质群体更高效地定位气味源。

本文通过结合费曼 - 卡茨公式，推广了具有波动内部变量的大小结构种群模型，系统推导了谱系与种群系综中的解耦条件，并将大小动力学转化为生长均匀过程，从而为评估期望值及解释质量加权表型分布提供了更通用的理论框架。

该论文提出了一种基于神经后验估计（NPE）的可扩展方法，用于锂离子电池的参数反演，该方法在保持甚至提高校准精度的同时，将参数估计时间从分钟级缩短至毫秒级，实现了实时应用，并展示了其在高维参数空间中的可行性及可解释性优势。

本文提出了一种基于对数高斯泊松过程（LGCP）的新方法，通过最小化对背景形状的先验假设并利用马尔可夫链蒙特卡洛（MCMC）优化超参数，为高能物理中的平滑背景建模提供了一种替代传统解析函数拟合的解决方案。

该论文指出当数据点的不确定性存在相关性时，传统的误差棒无法有效评估模型拟合度，并提出通过显式展示不确定性的第一主成分及条件不确定性来改进可视化方法，从而更准确地判断模型与数据的一致性。

本文提出了名为 JetPrism 的可配置条件流匹配框架，通过引入物理信息驱动的多指标评估协议，解决了核物理生成模拟与逆问题中标准损失函数无法准确反映真实收敛性的缺陷，从而确保生成模型在无需记忆训练集的情况下与真实数据达成精确统计一致。