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。

该研究提出了一种基于非相互作用电子密度与贝叶斯主动学习的高效计算框架，通过构建可迁移的电子堆积流形，实现了在仅需极少训练样本的情况下对难熔高熵合金（包括完全未见过的多组分体系）进行高精度的零样本外推预测。

该论文提出了一种名为“伪相干”的新机制，表明在不含固有振荡器且线性稳定的随机系统中，非正规矩阵的赝谱放大效应可驱动间歇性的集体时间组织，从而在不依赖传统同步或分岔的情况下产生类似振荡的集体动力学行为。

该论文提出了两种互补的符号预测器（SyNF 和 SyTF），能够从混沌时间序列数据中学习显式且可解释的代数方程，在保持与深度学习相当的短期预测精度的同时，克服了黑盒模型缺乏科学洞察力的局限。

本文提出了一种基于部分信息分解的谱格兰杰因果分析新方法（PDGC），通过解耦冗余、独特和协同的高阶因果相互作用，揭示了神经介导性晕厥患者中由交感神经控制的低频心血管与脑血管振荡异常模式。

本文提出了一种基于异构图神经网络的多任务学习框架，通过集成图剪枝层和加权消息传递机制，在模拟 LHCb 实验环境中显著提升了高亮度对撞机下 beauty 强子的重建性能，同时实现了粒子顶点关联与图剪枝的协同优化及推理效率的扩展。

该论文提出了名为 QUnfold 的开源框架，通过将高能物理中的反卷积问题重构为二次无约束二进制优化（QUBO）模型，实现了利用经典及混合量子求解器进行高效、正则化的分布重建，并在基准测试中展现出与主流方法相当的精度。

本文提出了一种名为 $\mu$ TRec的物理信息框架，通过结合高斯多重库伦散射模型与贝叶斯更新及动量测量，利用宇宙射线μ子散射层析成像技术，实现了对密封微堆芯内缺失燃料的高灵敏度、非侵入式检测，其检测能力显著优于传统方法。

本文作为面向冲击压缩领域的教程，介绍了一种基于贝叶斯线性回归和兰金 - 雨贡纽方程的两步法，用于从冲击波速度数据中生成多个与测量结果一致的压力 - 体积雨贡纽曲线，并展示了该方法在可解释性、计算效率及对异常值鲁棒性方面优于传统最小二乘法和自举法。

本文提出了一种名为 Noise2Ghost 的自监督深度学习鬼成像重建方法，该方法无需清洁参考数据即可在低信噪比条件下实现卓越的图像重建质量，特别适用于微纳尺度 X 射线荧光成像等对剂量敏感的生物及电池样本的在体与原位研究。