Predicting Wind Loads on Container Ships in Harbor Environments through Multi-Fidelity Modeling
本文提出了一种基于递归共克里金（recursive co-kriging）的多保真度代理模型框架，通过融合经验公式、简化模型与高精度CFD模拟，实现了对现代集装箱船在港口环境下风载荷系数的高效且准确预测。
🔬 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。
Physics-Informed Temporal U-Net for High-Fidelity Fluid Interpolation
本文提出了一种结合 VGG 感知损失与物理启发式桥接机制（Physics-Informed Bridge）的新型时序 U-Net 架构，通过引入时间加权特征融合与抛物线边界约束，解决了稀疏流体观测数据插值中常见的空间模糊与时间闪烁问题，实现了高保真度的流体动力学重建。
ArchGEM: an Advanced Data Analysis Tool for Analyzing Scattered Light Noise in LIGO
本文介绍了一种名为 ArchGEM 的自动化分析框架，通过结合峰值检测与高斯混合模型，能够自动识别并表征 LIGO 探测器中散射光噪声的特征，从而通过频谱特征推断散射表面的运动物理属性，为噪声缓解提供指导。
Diagnostic Disagreement as an Information-Projection Divergence: An Information-Theoretic Reading of the Quiet-Sun Temperature Ratio
本文通过信息论视角，将观测到的宁静区太阳冕区电子温度比 解释为非平衡态分布在两种不同诊断投影（EUV 电离温度与无线电亮度温度）下的相对熵差异，并证明了该比值与两种 Maxwellian 投影之间的 Itakura-Saito 距离存在解析对应关系。
Intermittency-Driven Turbulence Cascade Memory Extends the Markov-Einstein Coherence Length Beyond the Canonical Estimate
通过对高雷诺数各向同性湍流的直接数值模拟发现，受间歇性驱动的湍流级联记忆长度显著超过了传统的马尔可夫估计值，这意味着现有的级联福克-普朗克方程及涨落定理分析需要引入基于振幅依赖性的非马尔可夫修正。
Information bottleneck for learning the phase space of dynamics from high-dimensional experimental data
本文提出了一种名为 DySIB 的方法，通过在潜空间中最大化过去与未来观测值之间的预测互信息并惩罚表示复杂度，实现了从高维实验视频数据中直接学习并恢复出具有物理可解释性的低维动力学相空间表示。
Spectral-Domain Local Statistics with Missing-Data Support for Cartesian and Polar Grids
本文提出了一种结合边界感知频谱算子（如 DCT 和 RFFT）的方法，用于在存在缺失数据的笛卡尔与极坐标网格上，稳定且准确地计算局部统计量（均值、方差等）。
Precision Measurements of Higgs Hadronic Decay Modes at the FCC-ee
该研究展示了在 FCC-ee 对撞机上利用 IDEA 探测器，通过联合拟合希格斯玻色子产生与强子衰变过程（包括 $ZHb\bar{b}, c\bar{c}, ggH\rightarrow s\bar{s}$ 的探测灵敏度，从而为验证奇异夸克汤川耦合提供了关键依据。
Kitchen Sink Anomaly Detection
该论文通过引入新的模拟信号基准和高维且模型无关的“大杂烩”可观测变量集（结合能量流多项式与子喷注变量），显著提升了异常检测的灵敏度，并证明了基于属性袋装的集成方法能在大幅降低训练成本的同时保持相当的性能。
Assessing Emulator Design and Training for Modal Aerosol Microphysics Parameterizations in E3SMv2
该研究通过系统考察架构复杂度与变量归一化等关键设计选择，验证了在有效缩放和收敛条件下，采用适度规模的简单前馈神经网络即可在 E3SMv2 模型中高精度地模拟晴空条件下的 MAM4 气溶胶微物理过程，为科学机器学习在大气物理参数化中的应用提供了实践指导。