Increasing trends in the severity of Australian fire weather conditions over the past century
该研究利用 1876 至 2011 年的偏差校正再分析数据，证实了过去一个世纪澳大利亚火灾天气严重性呈上升趋势，并指出人类活动引起的气候变化导致的温度和湿度变化是造成危险火灾天气增加的主要原因。
🔬 Category
physics.data-an
257 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。
Observable Optimization for Precision Theory: Machine Learning Energy Correlators
该论文提出利用机器学习模拟推断技术系统化探索与精密理论兼容的观测量空间，通过优化能量三点关联函数的边际化形式，发现等腰直角三角形构型能最有效地提升顶夸克质量的测量灵敏度。
Searching for Anomalies with Foundation Models
本文利用基础模型在 CMS 实验数据中发现异常，并通过完整分析证实背景估计在验证区表现良好，但在信号区无法准确描述数据，从而呼吁对该事件及方法进行进一步审查。
The dynamical memory of tidal stellar streams: Joint inference of the Galactic potential and the progenitor of GD-1 with flow matching
本文提出了一种结合流匹配（Flow Matching）与基于模拟的推断（SBI）的新框架，利用可微 N 体代码 \textsc{\texttt{Odisseo}} 生成模拟数据，实现了对 GD-1 恒星流 progenitor 参数与银河系引力势的全贝叶斯联合推断，有效克服了传统方法在刻画潮汐剥离动力学与势场耦合关系上的局限。
Avalanches of choice: how stranger-to-stranger interactions shape crowd dynamics
这项研究利用火车站三年期的高精度轨迹数据，揭示了陌生人之间“跟随前人行走”的局部模仿行为是驱动人群集体路径选择及产生爆发性动态的主导因素，即使这种选择会导致更长的旅行时间。
Symmetry-Constrained Forecasting of Periodically Correlated Energy Processes
该论文提出了一种针对能源系统中周期性相关过程的无训练解析预测算子，通过利用时间对称性和局部相关性构建封闭形式系数，在保持周期统计特性的同时，显著提升了多步长可再生能源预测的准确性。
Trigger Optimization and Event Classification for Dark Matter Searches in the CYGNO Experiment Using Machine Learning
本文介绍了 CYGNO 实验中利用机器学习的两种互补方法：一种基于无监督重构异常检测的卷积自编码器，用于从稀疏巨像素图像中高效提取感兴趣区域以实现实时数据缩减；另一种采用弱监督的“无标签分类”（CWoLa）框架，成功从混合数据中识别出与核反冲一致的高分事件拓扑结构。
Developing Machine Learning-Based Watch-to-Warning Severe Weather Guidance from the Warn-on-Forecast System
该研究利用 2019 至 2023 年 NOAA 春季预报实验中的 Warn-on-Forecast 系统数据，开发并评估了基于机器学习（直方图梯度提升树和 U-Net）的框架，用于生成 2 至 6 小时内的严重天气概率预报，结果表明这些模型在预测性能上优于传统的上升螺旋度基线，特别是在高概率阈值下表现更佳。
From Data to Laws: Neural Discovery of Conservation Laws Without False Positives
本文提出了名为 NGCG 的神经符号流水线，通过解耦动力学学习与不变量发现、结合多重启方差最小化与严格筛选机制，在多种复杂动态系统（包括混沌和耗散系统）中实现了零误报、高准确率的守恒律发现，同时展现出优异的抗噪性、样本效率及可解释性。
Sparse Weak-Form Discovery of Stochastic Generators
该论文提出了一种统一的稀疏弱形式框架，通过引入空间高斯测试函数替代传统时间测试函数，成功消除了随机微分方程（SDE）数据驱动发现中的结构回归偏差，实现了对漂移项和扩散项的无偏联合稀疏回归识别。