Detecting nonequilibrium phase transitions via continuous monitoring of space-time trajectories and autoencoder-based clustering
本文提出了一种基于自动编码器聚类的机器学习方法，通过分析连续监测量子系统的时空轨迹数据来检测非平衡相变，并在量子接触过程模型中验证了该方法的有效性。
🔬 Category
physics.data-an
261 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。
Agents of Discovery
本文提出了一种利用大型语言模型构建智能体团队来自动解决粒子物理数据分析问题的新方法，并在 LHC 奥运会异常检测任务中验证了该系统生成的解决方案性能可与人类顶尖成果相媲美。
Eigenvector Geometry as a New Route to Criticality in Random Multiplicative Systems
该论文提出了一种新的临界性机制，指出在高维随机乘性系统中，非正规矩阵特征向量的非正交性（即条件数）引起的瞬态放大效应，能够显著改变有效李雅普诺夫指数并主导幂律分布的产生，从而解释了如湍流中聚合物拉伸等物理现象中的重尾波动。
GPS constellation search for exotic physics messengers coincident with the binary neutron star merger GW170817
该研究利用全球定位系统（GPS）卫星原子钟的存档数据，针对双中子星并合事件 GW170817 进行了回溯性搜索，未发现与引力波信号一致的奇异低质量场信号，从而在 至 能量范围内对电磁精细结构常数变化的相互作用能标设定了新的 95% 置信度下限，证明了成熟卫星时钟网络在多信使新物理探测中的潜力。
Deep Learning for Point Spread Function Modeling in Cosmology
本文提出了一种结合自编码器与高斯过程的深度学习框架，用于在超广角视场内重建点扩散函数（PSF），其精度优于当前主流方法 PIFF，为弱引力透镜宇宙学分析及 LSST 科学管线集成奠定了基础。
Exploring the BSM parameter space with Neural Network aided Simulation-Based Inference
本文利用基于模拟的推断（SBI）中的神经后验估计（NPE）等无似然方法，在包含希格斯、味物理及暗物质观测量的 pMSSM 高维参数空间中，成功实现了比传统 MCMC 更高效且准确的贝叶斯后验分布推断。
Profiling systematic uncertainties in Simulation-Based Inference with Factorizable Normalizing Flows
本文提出了一种基于因子化归一化流的模拟推断框架，通过单次优化过程实现了对多变量感兴趣分布的测量与系统误差参数的联合高效分析，从而克服了传统非分箱似然拟合中计算成本高昂及现有机器学习方法难以处理完整微分分布的局限。
Bayesian Time-Lapse Full Waveform Inversion using Hamiltonian Monte Carlo
本文提出了一种基于哈密顿蒙特卡洛方法的贝叶斯序贯时移全波形反演策略，通过将基线调查信息作为先验知识融入监测估计，在有效量化高维病态问题不确定性的同时，实现了与并行方案精度相当的时移变化反演结果。
Stationary Distributions of the Mode-switching Chiarella Model
本文通过推导扩展 Chiarella 金融市场模型的平稳分布，揭示了趋势项与均值回归项在不同参数机制下的模态演变（如从单峰到双峰的 P-分岔），并纠正了文献中关于趋势分布与错价分布之间关系的错误结论。
Parameter and hidden-state inference in mean-field models from partial observations of finite-size neural networks
本文研究了如何通过有限规模神经网络中单一标量宏观观测值的序列数据，利用差分进化算法结合模型同步技术，实现对具有平均场描述的神经网络未知参数及隐藏宏观变量状态的精确推断。