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。

本文针对 IERS C01 极移序列中 1858.9 至 1860.9 年间 $Y_p$ 坐标存在的两年数据缺失问题，首次尝试并对比了参数天文模型与奇异谱分析（SSA）两种填补方法，结果表明基于更完整极移模型的 SSA 方法更为可取。

该论文提出了一种旋转不变神经网络，通过联合学习历史回报的滞后变换、边际波动率及协方差矩阵特征值的正则化，实现了端到端的大规模投资组合方差最小化，在 2000 年至 2024 年的实证测试中展现出超越现有最先进方法的稳健泛化能力、更低的波动率与回撤，以及在考虑真实交易摩擦和长仓约束下的优异表现。

该论文旨在解决物理学家在泊松分布结果描述上的困惑，通过比较不同方法的性能，推荐使用加伍德（Garwood）提出的置信区间，因其具有良好且直观的特性，并指出若未考虑底层泊松分布，对区间进行平均可能会产生问题。

本文提出了一种结合过参数化架构、稀疏化、深度监督与深度选择的可微优化方法，在最小描述长度目标下联合优化激活函数、结构与深度，从而在保持甚至提升精度的同时，自动发现更紧凑且可解释的 Kolmogorov-Arnold 网络。

该论文通过回顾贝叶斯统计中的自然性论证和奥卡姆剃刀原理，并结合多学科视角与教学计算，证明了贝叶斯框架中自动产生的奥卡姆剃刀效应足以在不依赖随机不确定性的情况下，自然地抑制那些需要精细调节才能符合观测的“不自然”模型。

该论文通过分析墨西哥湾集合预报中最佳与最差成员在“环流涡旋托尔”分离事件期间的表现，揭示了深海中尺度涡旋对上层海洋预报的关键影响，并强调了同化深海观测数据以优化初始场、提升全水柱预测精度的重要性。

该论文提出了一条新公理，即任何熵族中的参数均无法从完全无信息的均匀分布中推断，该公理不仅筛选出勒尼熵为唯一可行的广义熵形式，还实现了广义最大熵框架下参数估计与最大似然原则的一致性，并解决了最大化对数似然值始终等于负香农熵这一关键问题。

该研究通过量化物理学界的中介行为发现，早期参与中介能带来累积优势并加剧学术成功的不平等，且这种效应在男女中表现一致，因此提倡为早期职业科学家提供中介机会可能有助于缩小学术成就差距。

本文研究了利用量子生成对抗网络（QGAN）生成具有目标分布和特定时间相关性的合成金融时间序列，并探讨了全量子电路模拟与张量网络近似模拟两种方法中超参数对生成质量的影响。