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。

该论文提出了一种物理信息神经算子方法，通过将亥姆霍兹方程等声学物理规律嵌入训练过程，直接从近场声压和质点速度测量数据中鲁棒地反演局部反应吸声材料的频率相关表面导纳，从而克服了传统方法对显式前向模型的依赖及噪声敏感性问题。

该研究通过引入体积比滤波技术，评估了三种基于时间序列显微 CT 数据的孔隙介质质量传递分析方法，发现它们在估算平均传质系数时结果相近，但在解析复杂现象时表现各异，从而为研究人员根据计算资源与所需物理细节的权衡来选择分析方法提供了框架。

本文利用扩散理论推导了描述脉冲星计时噪声和引力波背景信号的朗之万方程的解析解，揭示了不同随机模型（如奥恩斯坦 - 乌伦贝克过程与过阻尼谐振子）在描述脉冲星自转频率平稳性及非平稳性方面的物理机制，并阐明了两分量中子星模型中非平稳残差的物理起源。

本文探讨了多维朗之万方程中各项与概率密度矩、概率流矩及协方差函数等统计特性之间的定量关系，涵盖了从线性高斯动力学到非马尔可夫过程的扩展分析，并研究了非马尔可夫性的检测方法。

该论文提出了一种结合实验控制参数与自然对称性的自适应贝叶斯计量策略，在低数据量限制下显著提升了量子技术测量的精度，使参数估计的方差降低五倍或仅需三分之一的数据量即可达到目标精度。

本文提出了一种基于模拟推断的贝叶斯框架，利用稀疏室内声压测量数据，通过神经网络直接映射后验分布，实现了对复杂几何空间（如汽车座舱）中频率相关声学表面阻抗的在位高精度估计与不确定性量化。

本文提出了一种基于无监督重构异常检测的快速感兴趣区域（ROI）触发策略，该策略利用仅通过基线图像训练的卷积自编码器，在 CYGNO 光学 TPC 原型机上实现了无需标签或模拟即可高效提取粒子信号并大幅压缩数据量。

本文介绍了由高能物理软件基金会培训中心开发的 Apptainer 容器化技术培训资料，旨在通过提供涵盖高能物理与核物理常用工具的可复现示例，帮助物理学家掌握该技术以提升科研分析的可重复性、可移植性及协作效率。

本文提出了一种基于主丛平行传输的几何框架，将引力波探测器的自适应白化问题重构为最小相位联络下的流形截面问题，并通过平坦性定理证明了标量场下最优滤波更新的无路径依赖性，从而为下一代探测器网络的零延迟校准提供了严格的几何稳定性认证。

该论文提出了一种结合非负矩阵分解与参数自适应储层计算的方法，通过降维处理时空数据，成功实现了对多种复杂时空动力学系统及气候模型中临界 tipping 事件发生时间的精准预测，同时显著降低了计算开销并增强了鲁棒性。