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。

本研究表明，将拓扑数据分析应用于音频信号的时间延迟嵌入（特别是使用与基频周期分数相关的延迟），能够通过揭示谐波结构并在合成数据与真实数据中有效区分乐器，从而有效地表征音乐音色。

本文提出了一种基于大语言模型（LLM）的流水线，能够从文本和表格中准确提取多组分合金数据，以创建同类中规模最大的公开数据库，通过识别用于轻量化、软磁及耐腐蚀应用的高性能合金候选材料，从而实现可持续材料设计。

通过分析面心立方铜（fcc Cu）的离散位错动力学模拟，本研究揭示了由于应力诱导的弯曲作用，活跃滑移系上的位错链长遵循双指数分布，而处于非活跃状态的系统则呈现单指数分布，这一区别可以通过将位错网络建模为具有超线性增长率的长链一维泊松过程来解释。

本文提出了一个功能性信息框架，通过测量冗余编码指针信息的环境碎片丰度来量化量子达尔文主义中的经典客观性，从而揭示了热力学约束，即每增加一个比特的客观性，记录稳定所需的最小热耗散就会翻倍。

本文提出了一种结合高保真蒙特卡洛模拟与贝叶斯推断的新型框架，旨在实现对移动伽马射线源的快速、高精度定量分析，从而显著提升在辐射安全、地球物理制图及空间探测领域的应用能力。

本文提出了一种可解释的多模态机器学习框架，该框架整合了来自扫描电子显微镜（SEM）、拉曼光谱、气体吸附和电学测量的异构分析数据来表征碳纳米管薄膜，证明了像 XGBoost 这样的非线性模型能够准确预测材料特性，同时为潜在的结构-性能关系提供具有物理意义的见解。

本文通过理论分析证明，利用可微信息不平衡度对蛋白质进行无监督特征选择会揭示出一种类玻璃态与类液体态之间的相变，其中物理化学特征的临界数量与下游分类性能的饱和点相一致，从而为识别最小特征集提供了一个原则性的判据。

本文证明了神经网络中的特征叠加会诱导出一个约为 1 的普适幂律训练指数，该指数独立于数据统计特性，从而使训练动态相比于不含叠加的顺序学习提升高达十倍。

本文介绍了 SPARKX，这是一个开源 Python 软件包，旨在通过提供一个能够与 SMASH 和 JETSCAPE 等主要模拟框架集成的综合性、多格式工具包，来简化并增强重离子碰撞实验中相对论运动学的分析。

本文表明，热驱动布朗准粒子之间的短程吸引相互作用能够通过涌现的协同行为实现高效能、可扩展且鲁棒的优化，在静态和动态空间景观中的表现均优于非相互作用的搜索者。