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。

本文提出了一种基于信息场理论和贝叶斯推断的通用成像算法，通过融合 SRG/eROSITA 对大麦哲伦云 SN1987A 的多模块观测数据，实现了 X 射线天图的去噪、反卷积与成分分解，从而显著提升了该区域精细结构分析及点源识别的能力。

本文作为首篇聚焦水文领域的科学机器学习综述，针对现有方法碎片化的问题，提出了一个统一的分类框架以整合各类物理融合建模方法，从而厘清概念、促进累积性进展并指引未来的研究方向。

该论文提出利用高斯低通滤波处理高维分子动力学坐标，有效消除投影伪影，从而恢复被掩盖的构象态并显著改善自由能景观中亚稳态的寿命与结构定义。

本文通过改进事件同步（ES）和事件重合分析（ECA）方法，揭示了 ES 在处理具有时间聚类特征的序列依赖事件时存在局限性，而 ECA 则表现出更强的鲁棒性，因此建议在进行跨学科事件时间序列同步分析时优先采用 ECA 并辅以谨慎的事件检测与预处理。

该论文提出了一种利用测量值作为实部、波动率估计作为虚部的复数自回归模型，用于进行短期全球太阳辐照度概率预测，结果表明该方法在资源需求极低的情况下，其预测精度优于高斯过程、自举法及分位数回归等传统模型。

本文提出了一套用于太阳能辐射时间序列预测的基准测试框架，通过引入包括新提出的 ARTU 模型在内的五种无需训练阶段的朴素参考方法及其集成方案，论证了根据预测变量特征和预报时效选择最合适的基准方法对于公平评估高级预测模型性能至关重要。

该论文提出了一种利用稀疏性进行纹理断层扫描的新方法，通过重建各向异性多晶样品体素内的取向分布函数，实现了对传统峰值查找法难以处理的小晶粒及高马赛克结构（如工程金属和生物矿物）的高角分辨率稳定成像。

本文提出了一种基于极端学习机（ELM）的无晴空模型短期太阳辐射预测方法，该方法直接从原始辐照度数据中学习周期性与局部变化，克服了传统晴空模型在同步误差和气溶胶敏感性等方面的局限，实现了比传统基准更准确且具备鲁棒不确定性量化的实时预测。

本文通过蒙特卡洛模拟，系统分析了传感器校准误差和定位不准等现实缺陷对基于球面霍尔磁强计阵列和球谐展开的磁场相机估计结果不确定性的影响，从而揭示了该方法在实际应用中的鲁棒性及主要误差来源。

本文提出了一种基于随机变异系数（sCV）和可预测性（F）的稳健框架，通过区分随机波动与确定性趋势来量化太阳辐照度的多尺度变异性与可预测性，从而弥补传统指标的不足并优化能源管理决策。