Data-driven Experimental Modal Analysis by Dynamic Mode Decomposition
本文探讨了动态模式分解（DMD）在线性机械系统实验模态分析中的应用，通过理论推导、数值模拟及悬臂梁实验验证，表明在测量误差较小时 DMD 能准确提取模态参数，但其性能随误差增大而下降，且其精度与现有方法相当。
🔬 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。
Directed Polymer Transfer Matrices as a Unified Generator of Distinct One-Point Fluctuation Laws
该论文通过构建单一随机转移矩阵乘积系综，统一实现了 维定向聚合物中多种几何构型下的标准 KPZ 单点涨落定律（如 Tracy-Widom 分布），并揭示了该矩阵框架下超越传统几何分类的固有涨落观测值。
A Deep-Learning-Boosted Framework for Quantum Sensing with Nitrogen-Vacancy Centers in Diamond
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。
Extreme-Value Criticality and Gain Decomposition at the Integer Quantum Hall Transition
该研究通过在开放 Chalker-Coddington 网络中分析整数量子霍尔相变，揭示了最大波函数振幅可分解为全局增益与内禀极值分量，并发现增益归一化显著改变了极值统计特性，从而确立了极端可观测量作为探测开放量子系统中关联临界性的有效探针。
A mathematical theory for understanding when abstract representations emerge in neural networks
该论文通过建立基于神经预激活分布的均值场优化框架，从数学上证明了当前馈非线性网络被训练以执行依赖潜在变量的任务时，其隐藏层在所有全局最小值处必然涌现出反映输入语义的抽象表征，从而解释了大脑与人工神经网络中广泛存在的解耦表征现象。
A reconciliation of the Pryce-Ward and Klein-Nishina statistics for semi-classical simulations of annihilation photons correlations
该论文提出了一种修正的散射截面方案，在半经典模拟中通过重新定义独立光子的方位角参考系，成功调和了描述纠缠光子对关联的普赖斯 - 沃德截面与描述单光子散射的克莱因 - 仁科截面之间的矛盾。
Enhancing evidence estimation through informed probability density approximation
本文提出了一种名为 MorphZ 的后处理估计器，它利用基于总相关性优化的 Morph 近似作为重要性分布，仅需后验样本即可在各类统计及引力波模拟中实现高精度、低计算成本的边缘似然估计，并能有效解决传统方法在复杂场景下的估计失效问题。
Koopman Analysis of Sea Surface Temperature with a Signature Kernel
本文提出了一种基于签名核的轨迹型 Koopman 方法，通过编码海表温度（SST）的年度路径历史特征来学习演化算子，从而在超越气候态基准的多年预测能力和揭示相干谱模态方面取得了显著成效。
Classifying hadronic objects in ATLAS with ML/AI algorithms
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。
A unifying approach to diffusive transport in heterogeneous media
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。