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。
本研究提出了一种通过机器学习辅助参数优化（包括可学习参数、参数边界和选择性损失）来增强小波变换非晶径向分布函数（WT-RDF）振幅精度的 WT-RDF+ 框架，该框架在 Ge-Se 及 Ag-Ge-Se 体系的结构重构中，即使仅使用 25% 的二元数据集，其表现也优于基于 AIMD 模拟数据的 RBF 和 LSTM 等基准机器学习模型。
本文提出了一种基于积分场光谱和混合序列的新方法，成功分离了 54 个近邻活动星系中的 AGN 与恒星形成贡献，并发现 AGN 爱丁顿比率与核区年轻恒星形成率之间存在中等强度的相关性。
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。
该论文表明，通过利用大学习率下梯度下降优化产生的瞬态混沌动力学（即处于探索与利用平衡的临界混沌状态），可以显著加速人工神经网络在多种监督学习任务中的训练过程。
该论文构建了一个将样本量与参数方差作为状态变量、香农信息类比为熵的热力学框架，用于描述渐近推断过程，揭示了包括逆第二定律循环不等式、受噪声限制的第三定律式下界以及高斯极限下德布鲁因恒等式与 I-MMSE 关系在内的统一结构，表明系综物理与推断物理是同一热力学描述中方向相反的影子过程。
该论文提出利用图神经网络（GNN）进行 CMS 实验中缪子动量估计，通过两种图构建方法证明了 GNN 在捕捉数据复杂依赖关系方面优于 TabNet 模型，并强调了节点特征维度对模型效率的关键作用。
该论文提出了一种基于贝叶斯潜在扩散模型的物理信息异常检测框架，通过在潜在空间中结合概率编码与扩散动力学并显式施加物理约束，有效提升了大型强子对撞机（LHC）喷注数据中新物理搜索的稳定性与泛化能力。
本文提出了一种名为“提取模态追踪”（EMT）的无监督机器学习数据分析框架，通过直接从时空测量数据中提取波模态基，有效解决了因边界条件未知而难以分析重力 - 毛细波演化的问题，并在合成数据与法拉第波实验中验证了其在噪声鲁棒性、精度及受限视场下的优越性能，为研究轴对称流体界面系统的非线性动力学提供了通用工具。
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。