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。

该论文提出了一种结合全局特征的轻量级 EfficientNet 架构，旨在以较低的计算成本实现与 Transformer 和图神经网络相媲美的顶夸克喷注标记性能，并揭示了全局特征对提升精度及降低模型复杂度的重要性。

本文提出了一种名为 Ascona 的基于排队论的连续时间时序网络采样框架，该框架通过马尔可夫参数化生成具有可控平滑度和特定事件模式的合成网络，并构建了连续时间随机块模型，旨在为社区发现、尺度分析、变点检测及周期性检测等方法的验证与解释提供工具。

本文提出了一种适用于地月空间的初始轨道确定与轨道确定框架，该方法通过拟合含噪观测序列生成粒子云形式的初始状态估计，并结合粒子高斯混合滤波器在考虑三体动力学的情况下有效降低状态估计的不确定性。

本文介绍了一种基于贝叶斯统计的简单工具，通过将输入不确定度视为真实不确定度的下限并采用具有平滑拖尾的似然函数，有效解决了不一致数据集的加权平均难题，并通过多个关键物理常数和粒子属性的案例验证了其鲁棒性，同时提供了免费的 Python 实现库。

本文提出了一种新颖的双曲嵌入框架，能够生成支持异构节点集和层间连接的特定层双曲嵌入，在保留全局多层结构的同时有效捕捉社区特征，并在合成数据与真实脑网络分析中展现出优于传统独立分层方法的性能。

本文介绍了 GollumFit，这是一个专为中微子望远镜（特别是 IceCube）设计的开源框架，能够高效地对包含数十个干扰参数的分箱似然分析进行建模与拟合。

本文汇集了多位粒子物理实验研究者的实践经验，为利用机器学习技术对高能物理数据进行无分箱反演（unbinned unfolding）以消除探测器畸变、提升分析维度与灵活性提供了实用指南。

本文量化了 Geant4 电磁物理构造器对 CaWO₄和 Ge 靶材探测器中常见放射性污染物（α、β、γ）能量沉积及计算性能的影响，旨在为稀有事件搜索实验的物理构造器选择提供依据。

本文提出了一种基于熵学习的蒸馏框架，将基于卫星时代数据训练的 ENSO 相位集合预报模型压缩为可解释的单一模型，在保持预测精度的同时揭示了跨越春季预测障碍期的关键物理前兆及 ENSO 时空演化机制。

本文提出了一种名为 DA-HASC 的数据驱动序贯分析框架，通过结合数据同化与流形学习，利用冯·诺依曼熵量化高维复杂系统重构状态下的吸引子结构复杂性，从而在观测有限且存在噪声的条件下有效检测系统临界转变。