335 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。
该研究利用全球定位系统（GPS）卫星原子钟的存档数据，针对双中子星并合事件 GW170817 进行了回溯性搜索，未发现与引力波信号一致的奇异低质量场信号，从而在 至 能量范围内对电磁精细结构常数变化的相互作用能标设定了新的 95% 置信度下限，证明了成熟卫星时钟网络在多信使新物理探测中的潜力。
本文提出了一种结合自编码器与高斯过程的深度学习框架，用于在超广角视场内重建点扩散函数（PSF），其精度优于当前主流方法 PIFF，为弱引力透镜宇宙学分析及 LSST 科学管线集成奠定了基础。
该论文利用 JetClass 数据集研究了高能物理中 boosted jet 分类的神经缩放定律，揭示了计算资源增加可推动性能逼近渐近极限，并量化了数据重复带来的有效收益以及输入特征选择对性能上限的影响。
本文提出了一种基于势能门控的鲁棒状态估计方法，通过利用势能函数动态调节观测信任度，显著提升了双稳随机系统在噪声干扰及数据稀缺条件下的状态估计精度，并在 Ginzburg-Landau 模型与 Dansgaard-Oeschger 古气候记录中得到了验证。
本文利用基于模拟的推断（SBI）中的神经后验估计（NPE）等无似然方法，在包含希格斯、味物理及暗物质观测量的 pMSSM 高维参数空间中，成功实现了比传统 MCMC 更高效且准确的贝叶斯后验分布推断。
该论文提出了一种基于弱化可信区间定义的非参数有限样本统计区间，通过仅需一维先验在贝叶斯与频率派区间之间构建了兼具实用优势与哲学平衡的中间方案，并给出了其在累积分布函数估计及有界支撑集均值估计中的具体实现。
本文基于最大化 Havrda-Charvát 熵的有限 N 体系统概率分布，利用 Stein 方法构建了一个以对称雅可比多项式为特征函数的无参数拟合优度检验，该检验在零假设下服从卡方分布，能够有效量化有限系统向经典极限的收敛速度，并为非正态假设下的动力学模型提供了精确的验证工具。
该论文提出了一种基于最多六个相互作用量子比特的小规模量子储层计算框架，用于预测量子板块公司的交易量，结果显示该模型在股票趋势分类中准确率超过 86%，且具备平台无关性，展示了其在近期量子硬件上处理复杂金融时序数据的潜力。
本文提出了一种基于因子化归一化流的模拟推断框架，通过单次优化过程实现了对多变量感兴趣分布的测量与系统误差参数的联合高效分析，从而克服了传统非分箱似然拟合中计算成本高昂及现有机器学习方法难以处理完整微分分布的局限。
本文提出了一种基于哈密顿蒙特卡洛方法的贝叶斯序贯时移全波形反演策略，通过将基线调查信息作为先验知识融入监测估计，在有效量化高维病态问题不确定性的同时，实现了与并行方案精度相当的时移变化反演结果。