Predicting the onset of period-doubling bifurcations via dominant eigenvalue extracted from autocorrelation
该研究提出了一种名为“自相关主导特征值”（DE-AC）的新方法，通过利用奥恩斯坦 - 乌伦贝克过程推导解析近似来估计主导特征值，从而在预测心脏周期倍增分岔（如心律失常）的临界点时，比传统早期预警信号及现有动态特征值方法具有更高的灵敏度和特异性。
🔬 Category
physics.data-an
36 篇论文
Non-intrusive Monitoring of Sealed Microreactor Cores Using Physics-Informed Muon Scattering Tomography With Momentum Measurements
本文提出了一种名为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。
A Tutorial on Bayesian Analysis of Linear Shock Compression Data
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。
Physics-based signal analysis of genome sequences: GenomeBits overview
本文全面介绍了受物理学启发的基因组分析工具 GenomeBits，该方法通过将核苷酸映射为类自旋数值序列并利用离散傅里叶变换等信号处理技术，成功揭示了 SARS-CoV-2 和猴痘病毒等基因组序列的内在信号组织特征、突变模式以及独特的“有序 - 无序”相变现象。
Noise2Ghost: Self-supervised deep convolutional reconstruction for ghost imaging
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。
Physics-Embedded Bayesian Neural Network (PE-BNN) to predict Energy Dependence of Fission Product Yields with Fine Structures
本文提出了一种物理嵌入贝叶斯神经网络（PE-BNN）框架，通过结合先验核物理知识与超参数优化，实现了对具有精细结构的裂变产物产额随能量变化的精准预测。
Structured Kolmogorov-Arnold Neural ODEs for Interpretable Learning and Symbolic Discovery of Nonlinear Dynamics
本文提出了一种名为 SKANODE 的框架，通过结合结构化状态空间建模与 Kolmogorov-Arnold 网络，在神经微分方程架构中实现了从观测数据到可解释物理潜变量的虚拟感知及非线性动力学控制方程的符号发现，并在多个基准和真实案例中展现出优于传统方法的预测精度与可解释性。
Linear Acceleration Is a Primary Risk Factor for Concussion
该研究通过直接测量发现线性加速度比旋转加速度更能准确预测脑震荡，并据此提出了一种新型液体减震头盔技术，有望将脑震荡风险降低高达 73%。
Settlement percolation: global maps of Critical Distances
本文提出了一种基于渗流理论的新方法，通过识别孤立聚落合并为巨型集群的“临界距离”来量化全球聚落的空间构型，并发布了涵盖全球多尺度的“全球聚落渗流（GSP）”数据集，为城市形态、土地利用及景观生态研究提供了独立的聚落连通性度量指标。
Extreme Value Analysis for Finite, Multivariate and Correlated Systems with Finance as an Example
本文提出了一种针对有限多变量相关系统的实用极值分析框架，通过以金融高频数据为例，将股票收益旋转至相关矩阵特征基以分离集体与特异性效应，并结合考虑非平稳性的阈值超峰法，有效实现了从市场整体到行业层面的尾部风险评估。
Exploring blazars through sonification. Visual and auditory insights into multifrequency variability
该研究利用开放的多频天文数据库，通过 MIDI 和参数映射声纳技术对多个耀变体进行了可视化与声纳化分析，展示了这种多模态方法在揭示耀变体多频变异性规律及促进科学传播包容性方面的强大作用。
Structured generalized sliced Wasserstein distance for keV X-ray polarization analysis with Gas Pixel Detector
本文提出了一种基于结构化广义切片 Wasserstein 距离的完全数据驱动方法，利用随机权重神经网络直接从二维极化图像中提取 keV X 射线偏振信息，有效解决了传统 Gas Pixel 探测器分析中难以获取大视场入射角的问题，并验证了该方法与基于 von Mises 分布的统计模型的高度一致性。
q-Gaussian Crossover in Overlap Spectra towards 3D Edwards-Anderson Criticality
该研究提出了一种基于重叠矩阵特征值统计的谱分析方法，揭示了三维爱德华兹 - 安德森自旋玻璃在临界点附近从温格半圆律向高斯分布的交叉现象，并发现其谱密度可由随温度演化的 Tsallis 统计（ 指数从 -1 变为 1）精确描述，从而为识别自旋玻璃临界性提供了一种高效且稳健的新指标。
O-Sensing: Operator Sensing for Interaction Geometry and Symmetries
本文提出了名为"O-Sensing"的协议，通过结合稀疏性优化与谱熵最大化，仅利用少量低能本征态即可在无需预先知晓相互作用拓扑的情况下，成功推断出量子多体系统的哈密顿量、相互作用几何结构及其对称性。
A Structurally Localized Ensemble Kalman Filtering Approach
本文提出了一种无需人工调参的结构性局部化集合卡尔曼滤波新方法，该方法通过在变分贝叶斯优化框架下将分析概率密度函数近似为状态向量分区的独立边缘分布乘积，从而在采样前实现内蕴局部化，并在 Lorenz-96 模型实验中证明了其计算效率与估计精度可与已调优的传统局部化方法相媲美。
Reducing hyperparameter sensitivity in measurement-feedback based Ising machines
本文针对基于测量反馈的 Ising 机器因离散时间演化导致超参数有效范围受限的问题，分析并实验验证了一种降低其超参数敏感性的方法。