334 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。
该研究提出了一种增强型卷积神经网络（A-CNN）模型，利用 XENONnT 的模拟与校准数据，在保持 90% 信号接受率的同时实现了超过 60% 的背景抑制，从而将液氙时间投影室对Xe 无中微子双贝塔衰变的探测灵敏度提升了约 40%。
该论文通过在大偏差理论中引入帕德近似并尊重正性约束，证明了伽马分布是正随机变量和的普适渐近分布，从而为跨学科现象提供了无需特定机制的统解释。
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。
本文提出了一种名为“伊辛噪声滤波器”的物理信息图算法，通过将探测器信号映射为自旋网络并最小化能量泛函来规避传统轨迹拟合的组合爆炸问题，从而在 Baikal-GVD 中微子望远镜和 NICA 碰撞机 SPD 探测器等实验中实现了高效的背景抑制与轨迹重建性能提升。
本文提出了一种基于堆叠 LSTM 的数据驱动代理模型，能够从波浪 - 船舶时间序列中学习非线性因果映射，从而准确复现参数横摇事件及其引发的响应统计分布偏移，且该框架适用于实验数据或高保真仿真数据。
该研究利用机器学习模型（特别是新颖的 FloTS 概率深度学习模型）仅基于历史数据实现了高达两小时的大气视宁度短期预测，并在预测精度与不确定性量化之间取得了最佳平衡，从而弥补了传统自适应光学系统反应滞后的不足。
本文提出了一种结合量子机器学习和对称性（如旋转对称）的基于 LArTPC 击中点拓扑分类的新方法，利用 MicroBooNE 模拟数据验证了量子增强模型在参数量相当时优于经典模型，但在参数量更大时仍不及经典模型，且旋转对称性的引入仅对大型模型显示出潜在益处。
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。
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。
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。