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。

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。

本文提出了一种基于深度神经网络的 2x2 线性梯度硅光电倍增管阵列光位置重建方法，该方法相比传统架构显著提升了位置分辨率与线性度，并将可分辨区域数量提高了 5.7 至 12.1 倍。

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。

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。

该研究通过对标普 500 市场相关性数据的广义朗之万方程拟合与贝叶斯分析，揭示了至少持续三周的市场记忆效应及潜在的隐藏慢时间尺度，证明了非马尔可夫特性对优化投资组合风险管理和预测未来相关性的关键作用，并支持了局部稳定市场状态的存在。

本文提出了一种结合非线性振子动力学与Volterra理论的新型气动弹性降阶模型（IDE-ROM），利用正交匹配追踪算法识别方程系数，成功在计算高效的框架下高精度复现了OAT15A翼型在跨音速抖振流中的关键非线性行为（如气动弹性锁定）。

该研究通过评估多种特征选择算法，证明了利用稀疏频率太赫兹反射光谱结合数据驱动的特征选择，可在无需参考测量的情况下实现高精度的材料分类，从而为开发紧凑型专用太赫兹传感器提供了可行方案。

本文提出了一种通过计算离散数据矩阵旋转后的 Frobenius 范数差异（FND）并利用连续 Frobenius 范数差异（CFND）的一阶正弦近似来解析提取二维离散分布方向性的新算法，该方法在模拟中得到了验证，并适用于中微子探测、天文学及机器学习等领域。

该论文提出并实验验证了名为“二色成像法”（Dichography）的新方法，利用现代 X 射线自由电子激光产生的双色超短脉冲，从单次衍射图案中算法分离并重建出两个时间延迟的纳米尺度快照，从而在飞秒时间尺度上实现了对纳米物质结构损伤前的超快成像。