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。

该论文提出了两种互补的符号预测器（SyNF 和 SyTF），能够从混沌时间序列数据中学习显式且可解释的代数方程，在保持与深度学习相当的短期预测精度的同时，克服了黑盒模型缺乏科学洞察力的局限。

本文提出了一种基于部分信息分解的谱格兰杰因果分析新方法（PDGC），通过解耦冗余、独特和协同的高阶因果相互作用，揭示了神经介导性晕厥患者中由交感神经控制的低频心血管与脑血管振荡异常模式。

本文提出了一种基于自适应熵驱动的传感器选择策略的异构多传感器融合粒子滤波器，用于在固定沿海平台上实现单船跟踪，并通过在塞浦路斯阿依纳帕码头的实地部署验证了该方法能在不同距离和传感器可用性条件下，通过动态切换模态在跟踪精度与连续性之间取得最佳平衡。

本文提出了一种基于异构图神经网络的多任务学习框架，通过集成图剪枝层和加权消息传递机制，在模拟 LHCb 实验环境中显著提升了高亮度对撞机下 beauty 强子的重建性能，同时实现了粒子顶点关联与图剪枝的协同优化及推理效率的扩展。

该论文提出了一种结合符号化转换、贝叶斯显著性字符串提取及超图建模的新方法，用于从多元时间序列中检测任意阶的依赖关系，并在神经和社会系统中揭示了高阶相互作用的重要性。

该论文展示了通过连接器网络将 Qwen2.5 大语言模型应用于 SKA 数据（如宇宙大尺度结构 3D 图和光锥生成），在宇宙学参数回归等任务中，该模型不仅优于标准初始化方法，且表现可与同规模专用网络相媲美。

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。

该论文提出了名为 QUnfold 的开源框架，通过将高能物理中的反卷积问题重构为二次无约束二进制优化（QUBO）模型，实现了利用经典及混合量子求解器进行高效、正则化的分布重建，并在基准测试中展现出与主流方法相当的精度。

该研究提出了一种名为“自相关主导特征值”（DE-AC）的新方法，通过利用奥恩斯坦 - 乌伦贝克过程推导解析近似来估计主导特征值，从而在预测心脏周期倍增分岔（如心律失常）的临界点时，比传统早期预警信号及现有动态特征值方法具有更高的灵敏度和特异性。

本文提出了一种名为 $\mu$ TRec的物理信息框架，通过结合高斯多重库伦散射模型与贝叶斯更新及动量测量，利用宇宙射线μ子散射层析成像技术，实现了对密封微堆芯内缺失燃料的高灵敏度、非侵入式检测，其检测能力显著优于传统方法。