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。

本文介绍了一个名为 VecAmpFit 的新库，该库专为 Belle II 实验的多维振幅分析而开发，具备显式向量化的振幅计算子程序、显式梯度计算以及多数据集联合拟合功能。

该研究提出了一种仅使用基态构型训练的三维卷积自编码器框架，成功在不依赖临界温度、哈密顿量或序参量先验知识的情况下，检测到了三维伊辛模型的相变并准确恢复了其临界行为。

该论文提出了一种基于复杂网络的框架，通过将不规则时间序列转化为网络并利用社区检测算法，克服了传统全局统计方法的局限，从而能够深入分析事件的时间聚类特征及其背后的局部动力学机制。

本文介绍了名为 \texttt{alabi} 的开源 Python 包，它利用高斯过程代理模型和主动学习策略，在复杂或高维后验分布的贝叶斯推断中，通过大幅减少昂贵模型的评估次数，将计算速度提升了 10 至 1000 倍。

本文研究了粒子变换器（ParT）在希格斯工厂中的喷注味标记性能，利用 ILD 全模拟及快速模拟数据结合多变量粒子识别信息，实现了相比传统 BDT 标记器 5 至 10 倍的 $b/c$ 标记性能提升，并展示了在奇异夸克标记及夸克 - 反夸克分离方面的良好效果。

该研究提出了一种基于自适应 LASSO 的方法，能够从时间序列数据中准确区分并推断耦合振荡器系统中的成对及高阶（如三体、四体）相互作用，其性能优于传统方法，并已成功应用于合成数据及人脑网络数据的分析。

该论文提出了一种利用机器学习算法结合新定义的“光度变化率”参数，仅凭早期三个测光数据点即可高效识别罕见宽线 Ic 型超新星（SNe Ic-BL）的方法，该方法在测试中成功识别了超过 13% 的真实样本，显著优于现有分类技术。

该论文提出了一种基于张量网络的量子启发式算法，通过将离散拉普拉斯变换分解为非酉阻尼变换与量子傅里叶变换的矩阵乘积算子（MPO），在经典硬件上实现了对高达 $2^{30}$ 个输入点及 $2^{60}$ 个输出点的高效、高精度计算。

该论文提出了一种基于贝叶斯优化的自动终止策略，通过实时优化多维直方图的箱宽并判断其是否达到仪器分辨率极限，从而有效减少非弹性中子散射实验中的无效数据采集并提高束流时间利用率。

该研究通过分析彗星 17P/Holmes 从 1892 年至 2021 年（特别是 2007 年特大爆发）的亮度变化，约束了爆发抛射物的尺寸分布与总质量，为尘埃尾迹演化及流星雨起源的建模提供了物理依据。