Physics-guided impact localisation and force estimation in composite plates with uncertainty quantification
本文提出了一种结合一阶剪切变形理论、机器学习与不确定性量化的混合框架，通过物理引导的数据增强和自适应正则化，实现了在实验数据稀缺条件下对复合材料板冲击定位与力估计的高精度、鲁棒性及概率化预测。
🔬 Category
physics.data-an
334 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。
Dara: Automated multiple-hypothesis phase identification and refinement from powder X-ray diffraction
本文介绍了 Dara（数据驱动的自动化里特沃尔德分析）框架，该框架通过自动化多相组合的穷举搜索与鲁棒性精修，有效解决了粉末 X 射线衍射图谱中多相体系解析困难及人工依赖度高的问题，从而提升了复杂材料表征的可靠性并推动自驱动材料发现的发展。
Hearing the forest for the trees: machine learning and topological acoustics for remote sensing with seismic noise
该研究利用来自阿拉斯加的被动地震数据，结合机器学习与拓扑声学分析，成功证明了环境噪声中蕴含的可学习树木特征，为在卫星观测受限的偏远地区实现全天候、自主的森林生态系统监测提供了一种可扩展的新方法。
Parameter Estimation Limits in Blazars
本文利用费雪信息量方法量化了单区模型中参数简并的理论极限，发现外部康普顿（EC）模型的信息提取能力远低于同步自康普顿（SSC）模型，且多普勒因子是最易约束的参数，进而指出仅靠静态 SED 难以解释 FSRQ 的耀发，必须采用时间分辨模型来有效限制 EC 主导型耀变体的物理参数。
A response-matrix-centred approach to presenting cross-section measurements
本文提出了一种以响应矩阵为中心的向前折叠方法，用于直接比较模型预测与重构数据，从而避免传统展开法中的病态问题，并配套开发了基于 Python 的 ReMU 软件框架以简化响应矩阵的构建、应用及统计推断。
Basis Function Dependence of Estimation Precision for Synchrotron-Radiation-Based Mössbauer Spectroscopy
本文提出了一种基于贝叶斯估计的方法来评估同步辐射穆斯堡尔谱的测量精度，从而能够自动选择最佳测量窗口，使谱线中心位移的测定精度比传统洛伦兹函数拟合方法提高了三倍以上。
Hypothesis tests and model parameter estimation on data sets with missing correlation information
本文提出了一类适用于缺失协方差信息的稳健假设检验统计量，并给出了模型参数拟合及拟合优度检验中所需的方差膨胀因子算法，以确保在未知相关性情况下分析结果的保守性，同时结合中微子相互作用数据展示了其实际应用。
SpecTUS: Spectral Translator for Unknown Structures annotation from EI-MS spectra
本文提出了一种名为 SpecTUS 的深度学习模型，能够从低分辨率气相色谱 - 电子轰击质谱（GC-EI-MS）中直接翻译生成未知小分子的二维结构，并在针对库外化合物的结构注释任务中显著超越了传统的数据库搜索方法。
Assimilative Causal Inference
本文提出了一种名为“同化因果推断”（ACI）的新框架，该方法利用贝叶斯数据同化技术逆向追踪观测效应以识别复杂高维系统中的瞬时动态因果关系，无需观测潜在原因即可实现在线因果角色追踪并界定影响范围，特别适用于分析具有间歇性和极端事件的复杂系统。
Amortized Inference of Multi-Modal Posteriors using Likelihood-Weighted Normalizing Flows
本文提出了一种利用似然加权重要性采样训练正态化流的新型技术，用于无需后验训练样本即可高效推断高维逆问题中的理论参数，并发现通过初始化与目标模式数量匹配的 Gaussian Mixture Model 作为基础分布，能有效解决标准单模态分布无法捕捉多模态后验中不连通支持的问题，从而显著提升重建保真度。