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。

本文通过分析巴西塞阿拉州2016至2019年的电子发票大数据，利用Infomap算法识别城市贸易社区，并结合比较优势（RCA）指数与最大熵模型（Ising模型），揭示了城市贸易网络在社区层面表现出接近“临界点”的高经济凝聚力。

本文提出了一种名为 Poisson Log-Normal (PoLoN) 的非参数化过程，通过利用高斯过程（GP）对泊松对数率进行建模，实现了对离散计数数据的有效预测、信号提取及参数估计。

本文通过张量程序（Tensor Programs）和奇异摄动理论，在无限宽两层神经网络的框架下，利用快慢动力学分析揭示了特征学习与特征遗忘（Feature Unlearning）的机制，并指出了数据非线性强度与第二层权重初始尺度对特征遗忘的影响。

DerivKit 是一个 Python 软件包，通过实现稳定的数值微分工具，为 Fisher 信息矩阵预测和基于导数的似然函数近似（如 DALI）提供支持，从而在快速的 Fisher 预测与高计算成本的 MCMC 采样方法之间搭建起桥梁。

本文表明，即使在高统计量的计数实验中，用于模拟系统不确定性的有限蒙特卡洛样本量也会导致剖面似然比置信区间的标准渐近近似失效，从而导致系统性的欠覆盖。

Almanac 是一个基于哈密顿蒙特卡洛（Hamiltonian Monte Carlo）的框架，它能够从跨多个红移层的噪声宇宙学观测中提取无噪声的全天图及其对应的功率谱，提供避免了诸如 $EB$ 泄漏等问题且具有模型无关性的后验数据产品，并能实现对系统误差或新物理学的稳健诊断。

本研究对比了应用于 IllustrisTNG 模拟的五种不同的空洞寻找算法，旨在证明虽然宇宙空洞内单个星系偏置的径向梯度是一个稳健的特征，但反偏置星系的特定选择以及高偏置边界星系的污染，在很大程度上取决于所采用的空洞定义和密度阈值。

本文介绍了 MoreFit，这是一个用于粒子物理学中非箱体最大似然参数估计的高性能框架，它利用即时编译计算图、新颖的自动优化以及异构后端（OpenCL 和 LLVM/Clang），在多种硬件平台上实现了卓越的速度和效率。

本文系统地评估了四种半监督异常检测方法在寻找超越标准模型物理的过程中对不可调超参数的敏感性，并提出了一种用于统计评估的稳健非参数置换检验。

本文将高斯过程回归与动态模态分解相统一，以解决基于核的库普曼算子方法在可扩展性和超参数优化方面的挑战，从而提高建模非线性动力系统时的计算效率和噪声韧性。