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。

该论文提出了一种名为“声明式定制建模”的新范式，通过让建模者显式声明输入与输出的关系，实现了完美的预测精度、无条件数值稳定性、完全可解释性以及近零碳排放。

本文介绍了“闭合挑战”（The Closure Challenge），这是一个旨在解决机器学习在雷诺平均纳维 - 斯托克斯（RANS）湍流建模领域缺乏标准基准和测试数据集问题的开源基准任务，通过提供标准化的训练数据和评估代码来推动该领域的创新与标准化。

该研究通过构建 144 个合成天体物理学家代理模拟科研流程，发现 AI 辅助的价值并非普适，而是高度依赖于具体任务类型、使用策略以及底层大模型（如 Qwen 与 DeepSeek）的特性，在创意与提取任务中表现有益，但在推导密集型任务中可能引发严重错误。

该论文提出了一种系统方法，利用灵敏度系数显式计算统计与系统误差，并通过传播拟合参数的协方差矩阵来量化探测器效率的不确定性，从而为活化法测得的带电粒子反应截面数据构建了包含完整不确定度及其相关性的协方差与相关矩阵。

本文介绍了 FcsIT，这是一款基于 Python 和 Dear PyGUI 引擎开发的开源跨平台工具，旨在通过圆形块自举法提供高质量的荧光相关光谱（FCS）数据相关计算、TCSPC 滤波及灵活的曲线拟合分析功能。

该论文提出了一套新的分析工具，表明平稳时间序列中的增长率分布偏离正态性并非异常，而是可由广义逻辑分布等通用统计模型解释，并据此识别了宏观生态模式、提出了相应的随机微分方程模型及实用的模型选择工作流。

本文提出了一种基于贝叶斯物理信息神经网络（Bayesian PINN）的流场层析成像新方法，该方法利用纳维 - 斯托克斯方程和输运方程作为正则化约束，从稀疏线积分测量中重构流场并实现全面的量化不确定性分析，从而有效克服了传统算法在半收敛性和物理一致性方面的局限。

本文提出了一种基于物理信息神经网络（PINN）的新型背景纹影（BOS）工作流程，通过同时满足测量数据与欧拉方程等物理约束，显著提高了超音速流场密度重建的精度，并首次实现了从实验数据中直接获取速度和压力场。

本文提出了一种名为随机粒子平流测速（SPAV）的新方法，该方法通过结合显式粒子平流模型与统计数据损失函数，并利用物理信息神经网络同时优化流体物理约束，显著提高了粒子跟踪测速（PTV）在存在定位和跟踪误差时的重建精度，实验表明其误差较传统方法降低了近 50%。

该论文提出了一种基于神经隐式表示的神经光流（NOF）方法，通过连续参数化物理速度场、引入可微图像形变算子及物理约束（如 Navier-Stokes 方程），显著提升了平面和立体 PIV 测量的精度、鲁棒性与数据压缩效率，并展示了其在稳态与非稳态流场分析及压力反演中的优越性能。