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。
本文介绍了名为 \texttt{py5vec} 的模块化 Python 软件包，它通过引入更稳健的统计推断方法（如学生 t 似然和相位边缘化）、实现基于 \texttt{bilby} 的贝叶斯参数估计，并利用 LIGO O4a 运行数据及硬件注入进行了验证，从而为连续引力波信号搜索提供了一个灵活且可扩展的平台。
本文提出了一种新颖的“学习分箱”方法，首次将小波散射变换和相位谐波应用于 CMB 透镜与弱引力透镜分析，发现虽然小波散射变换在 CMB 自相关分析中与功率谱表现相当，但在与 Euclid DR2 数据的交叉关联中，小波相位谐波对宇宙学参数的约束能力显著优于传统交叉功率谱。
本文提出了一种基于一维卷积神经网络的深度学习框架，用于实时、高效且鲁棒地分析金刚石氮 - 空位（NV）色心的光探测磁共振（ODMR）光谱，显著提升了低信噪比条件下的参数提取精度与吞吐量，并成功应用于细胞内温度诊断和超导涡旋磁成像等实际传感场景。
该论文总结了 ATLAS 实验利用图神经网络和 Transformer 等先进人工智能算法对强子末态（如夸克/胶子喷注及重粒子衰变）进行分类的最新进展、性能表现及未来数据驱动优化方向。
该论文提出了“随机调制高斯过程”这一统一框架，用于建模、分析和分类异质介质中的反常扩散现象，不仅涵盖了连续时间随机游走和分数布朗运动等已知模型，还推导了关键统计量并提供了生物物理应用指导。
本文综述了环形切伦科夫探测器（RICH）在粒子识别中重建算法的最新进展，涵盖了从传统的似然法和霍夫变换到现代机器学习工具的应用，并探讨了全局粒子识别策略及生成式机器学习等新兴趋势。
该研究利用逻辑回归与监督学习技术，结合实验相平衡数据库，构建了铁、氧化镁、二氧化硅及硅酸镁四种行星基本材料在高达 5000 GPa 压力下的全球反演相图，解决了长期存在的熔点争议并优化了巨行星与超级地球的内部结构模型。
该研究提出了一种基于信息论的预测增益方法，通过量化离散随机过程中的高阶时间依赖性，有效评估了美国各地降水事件的记忆效应，发现降水发生主要由低阶马尔可夫链描述且存在显著的区域与季节差异，从而为构建简约的随机模型和改进实时预报提供了理论框架。
该论文介绍了一种名为离子计数辅助显微镜（ICAM）的定量成像技术，通过统计原理估算二次电子产率并改进数据采集方式，有效降低了散粒噪声，从而在氦离子显微镜中实现了三倍的剂量降低，使脆弱样品的成像成为可能。
本文提出了一种基于最大熵原理的连续时间动态网络建模框架，通过推导非齐次泊松过程强度与静态边概率的因子分解形式，实现了可解释的模块化表示，并提供了闭式解以生成有效模型及计算网络统计量。