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。

本文提出了名为"O-Sensing"的协议，通过结合稀疏性优化与谱熵最大化，仅利用少量低能本征态即可在无需预先知晓相互作用拓扑的情况下，成功推断出量子多体系统的哈密顿量、相互作用几何结构及其对称性。

本文提出了一种无需人工调参的结构性局部化集合卡尔曼滤波新方法，该方法通过在变分贝叶斯优化框架下将分析概率密度函数近似为状态向量分区的独立边缘分布乘积，从而在采样前实现内蕴局部化，并在 Lorenz-96 模型实验中证明了其计算效率与估计精度可与已调优的传统局部化方法相媲美。

本文针对基于测量反馈的 Ising 机器因离散时间演化导致超参数有效范围受限的问题，分析并实验验证了一种降低其超参数敏感性的方法。

该论文提出并验证了抽象程度不仅取决于网络深度，更关键地依赖于训练数据的广度，通过重整化群方法构建了“层次特征模型”作为绝对抽象的候选表示，并在深度信念网络和自编码器的数值实验中证实了随着数据广度增加和网络深度加深，神经网络表示会趋近于该模型。

本文提出了一种基于 Dempster-Shafer 证据理论的框架，通过整合多源信息从时间序列中高精度且鲁棒地重构复杂网络拓扑，并在多种网络模型及真实数据集上验证了其有效性与通用性。

本文探讨了在粒子物理、核物理及辐射防护剂量学等领域中，如何利用内部标准独立评估数据展开（即从受分辨率、偏差和效率影响的测量谱中恢复真实概率密度函数）结果的质量，并分析了影响展开分布质量的各种因素。

该研究提出了一种基于朗之万方程确定性项斜率的定量方法，用于评估强相关噪声下系统的稳定性与状态转变风险，并通过贝叶斯模型比较证明该方法在抗噪性和可靠性上优于传统的早期预警指标。

该研究提出了一种开源的贝叶斯朗之万方法，能够同时量化确定性动力学与内在随机噪声对临界转变的影响，并通过分析 1996 年北美西部电网大停电事件，揭示了在官方认定的触发事件前两分钟电网状态已发生永久性改变，强调了区分去稳定化因素对于预测关键转变的重要性。

该研究通过对标普 500 市场相关性数据的广义朗之万方程拟合与贝叶斯分析，揭示了至少持续三周的市场记忆效应及潜在的隐藏慢时间尺度，证明了非马尔可夫特性对优化投资组合风险管理和预测未来相关性的关键作用，并支持了局部稳定市场状态的存在。

该研究指出，常见的回归均值校正方法存在偏差或高方差等缺陷，主张在缺乏对实验可重复性（即真实个体差异占总方差的比例）的清晰理解时，不应盲目校正数据，而应将未校正的粗斜率与基于可重复性推导出的结构零假设进行比较，以得出更稳健的统计结论。