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。

本文推导了适用于任意形状和维度的“落叶模型”（dead-leave models）的孔 - 表面及表面 - 表面关联函数的精确解析表达式，并通过球体及德拜随机介质实例展示了其应用，同时作为副产品给出了布尔模型的通用关联函数公式。

该论文提出一个融合相空间动力学、输运几何与信息论的统一框架，通过区分粗粒化描述与全相空间描述下的熵变，解释了复杂结构如何在熵增背景下涌现，并将此几何描述与最大熵高斯基准及朗道 - 金兹堡理论相联系，为包含输运、各向异性及非局域性的自组织系统提供了通用的介观语言。

该研究利用数字氢平台数据和白盒符号回归，建立了一个可解释的统一描述符框架，揭示了间隙氢化物中储氢容量由原子半径和热导率等几何与晶格条件主导，而平衡压力则由剪切模量和泊松比等弹性性质决定，从而为设计兼具高容量与实用平衡压力的新型储氢材料提供了物理驱动的策略。

本文提出了 EnScale 及其变体 EnScale-t，这是一种基于能量评分规则优化的生成式机器学习框架，能够以比现有方法低一个数量级的计算成本，生成时空一致且多变量（温度、降水、太阳辐射和风）协调的高分辨率区域气候数据。

该论文提出了一种基于变分维数提升的框架，通过伊藤引理和变分法构建可逆变换，将非线性随机状态空间模型映射为高维线性高斯模型，从而利用标准线性高斯推断技术实现对复杂非线性动力系统的鲁棒跟踪。

该论文提出了一种名为 GAPE（遗传算法驱动进化）的新方法，用于优化 PROSPECT 实验中的深度学习模型，显著提升了反中微子能量与位置估计的精度，并将逆贝塔衰变信号的信背比提高了近 2.8 倍，同时通过针对性训练有效解决了数据偏差问题。

该研究针对细胞分裂导致的蛋白继承效应使得传统似然推断失效的问题，提出利用条件归一化流（Conditional Normalizing Flows）从模拟数据中近似不可处理的似然函数，从而成功推断出酵母在胁迫条件下*glc3*基因主要处于非激活状态且表达短暂瞬时的动力学特征。

该论文提出了一种名为 DeepX-GAN 的依赖感知生成模型，用于捕捉中东和北非地区超越历史记录且未被观测到的空间热极端事件，揭示了高脆弱性国家面临的隐藏风险，并指出未来变暖将导致这些极端事件在西北非、阿拉伯半岛及中非形成新的热点，从而强调了空间适应性风险规划的必要性。

本文作为 2025 年 4 月皇家学会研讨会成果的特刊导论，系统介绍了符号回归在物理科学中的概念基础、核心方法、主要应用及未来挑战，旨在展示该技术在推动科学发现与高效建模方面的加速进展。

该论文建立了非自治系统响应理论、拉回测度与最优指纹法之间的联系，推导了时间依赖马尔可夫链和扩散过程的线性响应公式，并通过改进的 Ghil-Sellers 能量平衡模型数值实验，验证了该方法在背景态随时间变化及多时间切片场景下，对气候强迫影响预测及归因的有效性。