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。

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。

本文提出了几何自编码器先验贝叶斯反演（GABI）框架，通过“先学习后观测”的范式，利用几何感知生成模型从多系统数据中学习条件先验，从而在无需已知控制方程或边界条件的情况下，实现对复杂几何物理系统的高效不确定性量化反演。

本文提出了 NuBench，这是一个包含七个大规模模拟数据集的开放基准，旨在通过评估多种深度学习算法在能量、方向重建等核心任务上的表现，推动中微子望远镜事件重建技术的跨实验比较与发展。

该论文提出了一种基于多输入多输出架构的极限学习机（MIMO-ELM）方法，利用循环时间编码和滑动窗口技术处理非平稳数据，在科西嘉岛实现了高精度且计算高效的短期能源生产与消费预测，其性能显著优于传统持久性模型并优于深度学习方法。

physics.data-an