Decomposition of Anomalous Diffusion in two-state random walks
本文表明，一种在连续时间随机游走静止态与莱维游走运动态之间切换的双状态随机游走，展现了约瑟夫效应、诺亚效应和摩西效应的普遍共存，揭示了与连续时间随机游走相位的随机耦合如何从根本上诱导那些仅具有约瑟夫效应的系统产生重尾增量和老化现象。
🔬 Category
physics.data-an
252 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。
Bayesian estimation of spectral parameters of the 6.7-GHz methanol maser G339.884-1.259 from GRAO observations
本文提出了一种利用马尔可夫链蒙特卡罗采样进行贝叶斯谱分解的框架，用于分析来自加纳射电天文台的 6.7 GHz 甲醇幻 Maser G339.884−1.259 观测数据，证明了 Voigt 轮廓模型在准确解析七个速度相干分量及量化不确定性方面优于传统的高斯和洛伦兹方法。
Proton High-Order Cumulants in Au+Au Collisions at High Baryon Density from JAM with a Centrality-Independent Framework
本研究利用 JAM 模型和一种新颖的中心度无关真累积量分析（CIGAR）框架，系统地分析了高重子密度下 Au+Au 碰撞中的高阶质子累积量，通过有效消除初始体积涨落并研究旁观者效应，为 QCD 临界点搜索提供了一个至关重要的非临界基准。
Wasserstein normalized autoencoder for anomaly detection
本文引入了 Wasserstein 归一化自编码器（WNAE），这是一种新颖的无监督异常检测模型，它通过最小化训练数据与重构误差的玻尔兹曼分布之间的 Wasserstein 距离，在有效识别欧洲核子研究中心（CERN）大型强子对撞机（LHC）中半可见喷注的同时，克服了标准自编码器中常见的离群值重构失败问题。
Generative Models and Statistical Validation
本文介绍了用于物理学中快速代理模型和密度估计的现代生成网络框架，同时探讨了在量化其准确性、精确度和统计效力方面所面临的挑战。
Model-Agnostic Signal Discovery with Machine Learning: Bridging the Gap Between Theory and Practice
本文综述了旨在通过优先考虑广泛探索而非特定理论假设，来增强复杂科学数据发现潜力的基于人工智能的模型无关搜索技术的概念框架、潜在陷阱及验证策略。
Towards Continuous-time Causal Foundation Models
本文提出了一种连续时间因果基础模型，该模型通过与解耦观测的细网格积分确保轨迹规律对观测计划的不变性，并在多种非线性动力学和不规则数据场景下展现出优于朴素积分方法的性能。
Neural Scaling Laws for Jet Generation
本文研究了粒子喷注生成的神经缩放定律，确认了其与模型规模的的对数缩放关系，并验证了下一词元预测损失可作为物理准确性的代理指标，同时观察到由于自回归学习中的快速饱和，数据集规模和计算量呈现出较弱的缩放趋势。
`pandemonium`: High Dimensional Analysis in Linked Spaces
本文介绍了`pandemonium`，这是一个 R 语言软件包，通过将聚类分析与链接可视化（如非线性降维和动态漫游）相结合，在链接空间中促进高维分析，以探索复杂数据集（如神经网络激活和多变量物理模型）中预测变量与响应变量之间的关系。
Inverse generalised spin models of answers to questionnaires
本文介绍并验证了一种基于蒙特卡洛推断的广义自旋模型（伊辛、布卢姆 - 卡佩尔和布卢姆 - 埃默里 - 格里菲斯）协议，用于分析序数问卷数据，结果表明布卢姆 - 埃默里 - 格里菲斯模型在捕捉多峰性和异常值等复杂特征方面优于传统高斯方法，尽管所有模型在处理重尾分布时均面临困难。