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。

该研究提出了结合优先连接、同质性和三角闭合的 PATCH 模型，揭示了这三种机制的相互作用如何共同驱动并维持社会网络中的群体不平等，并通过模拟及物理学与计算机科学领域的实证数据验证了其在解释性别差异方面的有效性。

该研究通过数据驱动方法系统评估了 6000 多种时间序列统计指标，发现虽然不存在能适用于所有不可逆系统的单一通用指标，但广义自相关函数、符号序列及预测相关方法等特定统计家族能有效识别时间不可逆性，从而强调了根据具体系统特征定制统计方法的重要性。

本文提出了 PRL-Bench 基准，该基准基于 100 篇最新《物理评论快报》论文，旨在通过涵盖天体物理、凝聚态物理等五大前沿领域的端到端研究任务，系统评估大语言模型在自主科学探索与复杂推理方面的能力，并揭示了当前模型在真实科研需求下仍存在显著差距。

该论文利用最新的 LIGO-Virgo-KAGRA 数据证明，由于基于非物理参考先验的贝叶斯后验估计会导致源属性出现系统性偏差，因此必须采用群体信息化的分层参数估计方法，才能对引力波观测结果进行正确的天体物理解释。

该研究首次针对头颈癌预后预测任务，基于多中心 HECKTOR 数据集对 13 种可解释人工智能（XAI）方法在 24 项指标上进行了全面评估与排名，发现集成梯度（IG）和 DeepLIFT（DL）在忠实性、复杂性和合理性方面表现最优，从而为临床 AI 的可解释性选择提供了重要依据。

该论文针对高雷诺数下传统模型无法准确预测壁压谱低频增长及方差过高的问题，提出了两种基于内、外尺度运动双重贡献的半经验模型，成功复现了谱峰演变并实现了方差的对数增长规律，为工程预测提供了紧凑且物理意义明确的壁压波动表征方法。

该论文提出了一种基于贝叶斯理论的严谨方法，通过优化 MINFLUX 显微镜的扫描策略，显著减少了实现纳米级定位精度所需的荧光光子数量或曝光时间。

该研究通过构建简化的最优控制模型推导出动态翱翔的运输能耗理论下限，并利用归一化后的野外观测轨迹数据，成功将信天翁、海燕和蛎鹬等不同海鸟的飞行模式统一映射到同一速度 - 能耗平面上，从而量化评估了各类海鸟在风能利用方面的优化程度。

该论文介绍了首个包含多种真实系统效应的弱引力透镜基准数据集，并发起"FAIR 宇宙弱引力透镜机器学习不确定性挑战”，旨在解决训练数据有限和分布偏移等难题，推动机器学习方法在精密宇宙学中的标准化应用与部署。

本文提出并评估了一个基于大语言模型的证明概念系统，该系统能够从高能物理出版物中提取分析流程并自动生成可执行代码，旨在辅助复现物理结果，尽管目前仍面临幻觉和随机性等挑战，但已展现出作为人机协作工具的潜力。