Selectivity- and Activity-Aware Catalyst Descriptors for CO Hydrogenation on Alloy Nanocatalysts using Machine-Learned Force Fields
本研究引入了一种基于机器学习力场的晶面分辨吸附能分布框架，用于分析多种合金表面上 140 万个吸附位点，从而识别出能够同时优化二氧化碳加氢反应活性与甲醇选择性的特定组分与取向。
🔬 Category
physics.data-an
252 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。
An information-matching approach to optimal experimental design and active learning
本文提出了一种可扩展的、基于凸优化的信息匹配方法，该方法利用费雪信息矩阵筛选出最小且高价值的训练数据以准确预测感兴趣量，从而解决各类科学建模与主动学习应用中的数据稀缺与参数不可识别问题。
Experimental measurement of quantum-first-passage-time distributions
本文报告了利用单个囚禁离子对量子首次通过时间分布（QFPTDs）的首次实验测量，确立了其与经典对应物的清晰联系，并为研究量子动力学、搜索算法及测量问题开辟了新的途径。
Bayesian leave-one-out cross-validation for astrophysical model comparison using gravitational-wave background data
本研究利用脉冲星计时阵列数据，采用贝叶斯留一交叉验证法比较了四种超大质量黑洞双星演化模型，发现尽管现有证据并未明确支持任一模型优于其他模型，但数据支持由超轻暗物质引起的低频抑制效应，不过目前尚无法将其与通用的环境硬化情景区分开来。
D-MODD: A Diffusion Model of Opinion Dynamics Derived from Online Data
本文介绍了 D-MODD，这是首个基于纵向社交媒体数据推导出的数据驱动型连续时间随机模型，它利用具有经验重构漂移函数和扩散函数的朗之万型方程，准确描述了极化议题上的现实世界舆论动态。
Partial Effective Information Decomposition for Synergistic Causality
本文介绍了部分有效信息分解（PEID），这是一种新颖的干预主义框架，它能在最大熵干预下将多变量因果影响独特地分解为独特成分和协同成分，从而实现对复杂系统中协同因果、向下因果及可解释因果结构的刻画。
OmniMol: Transferring Particle Physics Knowledge to Molecular Dynamics with Point-Edge Transformers
本文介绍了 OmniMol，这是一种针对小分子的先进机器学习原子间势，它利用点 - 边 Transformer 架构并从高能物理中迁移知识，从而在极少微调的情况下实现卓越性能并具备独特的快速推理能力。
Toward a Scientific Discovery Engine for Weather and Climate Data: A Visual Analytics Workbench for Embedding-Based Exploration
本文提出了一种开源视觉分析工作台，使科学家能够通过将潜在空间搜索结果链接回其物理源头和元数据，来解释、验证和探索大规模天气与气候数据的基于嵌入的表示，从而促进识别和检索热带气旋等类似事件的发现工作流程。
KANs need curvature: penalties for compositional smoothness
本文通过推导一种新颖的基无关曲率惩罚项来解决由高频振荡引起的柯尔莫哥洛夫 - 阿诺德网络（KANs）的可解释性挑战，该惩罚项在应用后能在不牺牲预测精度的情况下显著平滑模型激活。
Testing General Relativity Through Gravitational Wave Classification: A Convolutional Neural Network Framework
本文介绍了一种机器学习框架，该框架利用在响应函数可观测量上训练的卷积神经网络，显著提升了用于检验广义相对论的引力波信号分类能力，在灵敏度上较标准波形输入实现了33倍的提升，并成功探测到了大质量引力理论中的偏差。