Guesswork in the gap: the impact of uncertainty in the compact binary population on source classification
该论文通过分析引力波事件数据，揭示了紧凑双星群体模型中的不确定性（特别是中子星配对偏好和自旋分布）显著影响了对“质量间隙”内天体（如GW230814和GW230529）是中子星还是黑洞的分类概率，表明当前分类结果对群体参数高度敏感且存在歧义。
🔬 Category
physics.data-an
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。
Resolution and Robustness Bounds for Reconstructive Spectrometers
该论文利用随机矩阵理论建立了重建光谱仪性能的理论框架，揭示了噪声误差与光谱相关长度、平均透射率及通道数等物理参数之间的闭式关系，阐明了实现超分辨率的物理条件并指导了器件的鲁棒设计。
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。
Physics-Aware, Shannon-Optimal Compression via Arithmetic Coding for Distributional Fidelity
该论文提出了一种基于算术编码的无损压缩方法，通过量化数据集描述长度相对于物理信息论最优极限的冗余比特，建立了一个具有物理意义、绝对且可解释的分布保真度评估标准。
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。
Construction of the Global Function for the Simultaneous Fitting of Correlated Energy-Dependent Cross Sections
本文构建了用于同时拟合相关能量依赖截面的全局 函数，该函数综合考虑了不同过程及不同质心能量点测量值之间的相关性，以及积分亮度与质心能量测量的贡献。
Accelerate Vector Diffusion Maps by Landmarks
本文提出了一种名为 LA-VDM 的基于地标约束的算法，通过引入新颖的两阶段归一化方法有效解决非均匀采样问题，从而加速向量扩散映射（VDM）框架并使其渐近收敛于连接拉普拉斯算子，在模拟数据和非局部图像去噪应用中展现了优异的性能与精度。
Learnability Window in Gated Recurrent Neural Networks
本文建立了一种统计理论，通过量化有效学习率包络 与重尾梯度噪声下的统计集中效应之间的相互作用，揭示了门控循环神经网络中时间可学习性窗口 随样本量 呈现的对数、多项式及指数三种增长机制，并指出包络衰减几何形态是决定时间可学习性的关键因素。