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。

本文介绍了一种用于测试具有未知参数的角功率谱模型的、新型的无分布拟合优度策略，该策略通过消除对逐例模拟的需求，确保了广泛的适用性和显著的计算效率。

本文提出了一种利用伴随权重香农熵（escort-weighted Shannon entropy）和各种散度矩阵的模型无关框架，用于在无需显式物理模型或序参数的情况下，灵敏地检测散射与成像数据中的相变及统计变化。

通过将艾伦偏差（Allan deviation）应用于句子嵌入，本研究将文本的语义动态表征为一种随机轨迹，揭示了区分创意写作与技术写作的不同短期缩放机制，并暴露了大语言模型相比人类认知在长期稳定性时界上的系统性降低。

本文介绍了一种自适应粒子批处理平滑器（AdaPBS），这是一种新型冰冻圈数据同化算法，它将粒子方法与 AMIS 迭代框架相结合，以减轻集合崩溃并动态调整计算成本，在多种积雪深度同化场景中展现出优于或等同于现有方法的性能。

本文提出了一种利用卫星图像和 Segment Anything 模型进行自动测量美国 100 个最大城市行人过街距离的可扩展 AI 驱动方法，揭示了较旧的城市往往拥有更宽、更以汽车为中心的街道，其中值过街距离在 32 到 78 英尺之间。

本文介绍了数据驱动的 ARGOS 指标，这是一种具有理论依据且经验稳健的工具，用于以模型无关的方式选择最敏感的异常检测模型，并证明了其在超参数调优和特征选择等任务中优于二元交叉熵损失等现有指标。

McSAS3 是一个经过重构的蒙特卡洛软件套件，其配备的图形用户界面能够为稀释和稠密散射体的小角散射数据提供自动化且灵活的无模型分析。

该论文介绍了 PanopTag，这是一种新颖的编码器-解码器架构，通过利用喷注间相关性和事件级上下文，同时对粒子碰撞事件中的所有喷注进行标记，从而在重夸克味标记方面显著优于传统的单喷注分类方法。

为了应对学生因生成式人工智能而脱离物理学习认识论实践的“温水煮青蛙”风险，本文提出了一个教学设计框架，将人工智能定位为认知激活活动中的受限认识论伙伴，以确保学生始终是预测、解释和评估的主要主体。

本教程提供了单像素成像与压缩感知方面的实用指南，详细介绍了从确定性算法到深度学习的各种重建方法的实验实现，并附带了 Python Notebook 以便于复现结果并应用于多样化的成像场景。