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。

本文推导了适用于任意形状和维度的“落叶模型”（dead-leave models）的孔 - 表面及表面 - 表面关联函数的精确解析表达式，并通过球体及德拜随机介质实例展示了其应用，同时作为副产品给出了布尔模型的通用关联函数公式。

该论文提出一个融合相空间动力学、输运几何与信息论的统一框架，通过区分粗粒化描述与全相空间描述下的熵变，解释了复杂结构如何在熵增背景下涌现，并将此几何描述与最大熵高斯基准及朗道 - 金兹堡理论相联系，为包含输运、各向异性及非局域性的自组织系统提供了通用的介观语言。

该论文提出了一种基于变分维数提升的框架，通过伊藤引理和变分法构建可逆变换，将非线性随机状态空间模型映射为高维线性高斯模型，从而利用标准线性高斯推断技术实现对复杂非线性动力系统的鲁棒跟踪。

该论文提出了一种名为 GAPE（遗传算法驱动进化）的新方法，用于优化 PROSPECT 实验中的深度学习模型，显著提升了反中微子能量与位置估计的精度，并将逆贝塔衰变信号的信背比提高了近 2.8 倍，同时通过针对性训练有效解决了数据偏差问题。

本文作为 2025 年 4 月皇家学会研讨会成果的特刊导论，系统介绍了符号回归在物理科学中的概念基础、核心方法、主要应用及未来挑战，旨在展示该技术在推动科学发现与高效建模方面的加速进展。

该论文提出了一种物理信息神经算子方法，通过将亥姆霍兹方程等声学物理规律嵌入训练过程，直接从近场声压和质点速度测量数据中鲁棒地反演局部反应吸声材料的频率相关表面导纳，从而克服了传统方法对显式前向模型的依赖及噪声敏感性问题。

本文提出了一种基于模拟推断的贝叶斯框架，利用稀疏室内声压测量数据，通过神经网络直接映射后验分布，实现了对复杂几何空间（如汽车座舱）中频率相关声学表面阻抗的在位高精度估计与不确定性量化。

本文提出了一种基于无监督重构异常检测的快速感兴趣区域（ROI）触发策略，该策略利用仅通过基线图像训练的卷积自编码器，在 CYGNO 光学 TPC 原型机上实现了无需标签或模拟即可高效提取粒子信号并大幅压缩数据量。

本文介绍了由高能物理软件基金会培训中心开发的 Apptainer 容器化技术培训资料，旨在通过提供涵盖高能物理与核物理常用工具的可复现示例，帮助物理学家掌握该技术以提升科研分析的可重复性、可移植性及协作效率。

该研究提出了一种结合等离子体纳米孔技术与物理信息双路径深度学习模型的框架，通过多实例学习和时空特征编码，成功克服了单分子表面增强拉曼散射信号中的随机性与背景干扰，实现了对单肽段磷酸化修饰的高保真动态解析。