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。

本文提出了几何自编码器先验贝叶斯反演（GABI）框架，通过“先学习后观测”的范式，利用几何感知生成模型从多系统数据中学习条件先验，从而在无需已知控制方程或边界条件的情况下，实现对复杂几何物理系统的高效不确定性量化反演。

本文提出了 NuBench，这是一个包含七个大规模模拟数据集的开放基准，旨在通过评估多种深度学习算法在能量、方向重建等核心任务上的表现，推动中微子望远镜事件重建技术的跨实验比较与发展。

本文提出了一种名为 AUSSIE 的新方法，通过引入直接最小化对参考模拟依赖的新损失函数，在无需迭代、对抗训练或代理模型的情况下，实现了粒子物理实验中测量数据反演的渐近正确性。

该论文提出了一种基于多输入多输出架构的极限学习机（MIMO-ELM）方法，利用循环时间编码和滑动窗口技术处理非平稳数据，在科西嘉岛实现了高精度且计算高效的短期能源生产与消费预测，其性能显著优于传统持久性模型并优于深度学习方法。

该论文将流体力学理论引入网络科学，提出了基于本征正交分解（POD）和 Koopman 算子近似两种方法对时序网络进行特征分解，从而实现了网络演化的压缩重构及基于动态模态的数据驱动谱描述，并在多种合成模型中验证了其有效性。

本文利用高斯过程重构宇宙膨胀历史作为模型无关基准，对 Pantheon+ 和 DES 5YR 两个超新星数据集进行分析，发现 Ia 型超新星在统计上与标准烛光假设一致，但在特定红移处存在两个独立巡天均观测到的局部偏离，暗示其光度可能存在非单调演化。

本文提出了一种基于稀疏优化和迭代重加权最小二乘算法的最大似然粒子追踪框架，通过显式建模非高斯间歇性，有效克服了传统方法对湍流中极端加速度的抑制，从而在降低误差的同时精准恢复了加速度及其差值的重尾统计特性。

本文指出半导体混合计量因忽视“暗不确定性”而面临类似泰坦尼克号的过度自信风险，并通过对比统计模型证明，采用随机效应模型而非共同均值模型能更准确地评估并组合不一致的测量结果，从而避免严重低估总不确定度。

本文以临界热通量为案例，通过对比后验校准方法与覆盖导向的端到端学习策略，证明了将不确定性量化作为优化过程的核心组成部分，能够有效引导科学机器学习模型内化多物理机制下的复杂数据行为，从而实现兼具高精度与物理一致性的预测。

该论文提出了一种利用贝叶斯方法整合历史网络快照信息以构建先验分布的框架，从而实现了对动态网络（如银行间市场）未来结构的准确预测与不确定性量化，并显著优于传统链接预测基准。