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多元 Copula 构建非高斯似然函数的框架，用于处理弱引力透镜两点相关函数，研究发现尽管该方法在 1000 平方度巡天中会导致 $S_8$ 参数产生约一个标准差的偏移，但对于 10000 平方度的第四阶段巡天而言，高斯似然函数已足够适用。

本文提出了一种从爆发式时间序列中通过最大似然估计来推断爆发合并核的方法，该方法不仅经模型验证有效，还能应用于多种实证数据，从而为精确刻画数据特征及深入研究其潜在机制提供了有力工具。

本文提出了名为 FluxMC 的机器学习增强框架，通过结合流匹配与并行退火 MCMC 技术，成功解决了空间引力波观测中高精度物理建模与采样效率之间的冲突，实现了在数小时内对大质量黑洞双星系统的高保真参数反演，显著优于传统方法。

该论文利用随机矩阵理论证明，在检测高维变量间的共享信号时，联合协方差和交叉协方差矩阵均比自协方差矩阵更早实现信号检测与重构，且具体最优方法取决于变量维度的匹配程度。

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。

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。