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。

本文通过利用损失面的几何洞察，在缓解模型脆弱性的同时保持高性能，证明了对抗训练能够增强基于深度学习的喷注味标记算法对输入畸变的鲁棒性，而输入畸变可作为系统不确定性的代理。

本文介绍了一种新颖的数据驱动方法，通过识别最优基函数来推断支配性的非自治动力学方程，成功重建并预测了从生物聚集体到工程应用等多样化现实系统的行为。

本文提出了一种“双重度量学习”方法，该方法学习两种不同的节点表示，以解决为ATLAS ITk探测器构建具有链式连接的有向图时的冲突问题，并证明与简单度量学习相比，该方法在高横动量粒子的图构建和边方向预测方面具有更优的性能。

本文表明，将蚁群优化算法应用于调整FVC密度泛函，可显著降低在不同维度下预测强关联体系基态能量的平均相对误差，并以较低的计算成本实现了高达67%的误差降低。

本文提出了一种与平台无关的量子储层计算框架，利用小规模六量子比特系统，在预测量子行业公司的股票趋势和交易量方面实现了超过 86% 的准确率，从而展示了近期量子硬件在复杂金融时间序列分析中的潜力。

本研究通过数学证明表明，数据缺失和异常值会显著削弱基于方差和自相关性的韧性指标的可靠性，其中缺失值会减弱这些指标之间的一致性，而异常值则会导致系统稳定性被系统性高估。

本文证明，物理数据中二元校正变量的精确边缘化在数学上等价于伊辛模型，从而能够利用高效的统计物理工具来处理指数级复杂的构型，并准确量化诸如 Ia 型超新星校准等应用中的不确定性。

CVEvolve 是一个自主的零代码代理系统，它利用大语言模型和多轮搜索策略，独立发现并优化科学数据处理算法，使领域科学家能够在无需深厚编程专业知识的情况下，有效分析复杂且非结构化的数据。

本文提出了一种用于十米波相干散射雷达的自学习信号分类器，该分类器利用来自 12 部 SuperDARN 和 SECIRA 雷达的两年数据自动构建模型，基于实测雷达参数与建模无线电波传播特性的组合，识别出 14 个可明确区分的类别。

本文介绍了贝叶斯因子 - 贝叶斯因子（BB）图，这是一种诊断工具，它利用贝叶斯因子及其在竞争假设下的分布之间的关系来验证计算准确性并高效估计背景分布，正如在引力波天文学中的应用（包括对 GW231123 的统计显著性评估）所证明的那样。