图书信息
内容简介
对 arXiv physics.data-an 分类的年度综述，涵盖 2025 年 9 月 至 2026 年 8 月 期间发表的研究。本卷基于对 108 篇论文 的细读整理，组织为 40 章，按该领域的研究子方向描绘这一年的全貌。
全书框架（年度产出占比）：
- 复杂系统中的非高斯分布与互相关 (16.3%) — 该聚类聚焦刻画金融市场、彗星与自旋玻璃等复杂系统中的非高斯概率分布、长程相关与随机矩阵极限。
- 基于机器学习的成像与光谱重建 (15.6%) — 该聚类处理机器学习与模式识别在X射线、伽马射线与成像应用中的相位识别、光谱重建与探测器信号分析。
- 物理科学中的数据驱动发现与代理建模 (15.5%) — 该聚类发展符号回归与代理模型等数据驱动方法，以发现控制方程并在不确定性下加速物理系统设计。
- 粒子物理与探测器分析中的机器学习 (11.6%) — 该聚类将机器学习技术应用于粒子物理，包括喷注标记、迁移学习与点扩散函数建模，以改善探测器性能与物理推断。
- 复杂系统中的时间网络与高阶相互作用 (10.5%) — 该聚类研究时间网络、高阶相互作用与信息论测度，以对从光网络到粒子碰撞等系统的依赖关系与重构进行建模。
- 物理数据中的引力波探测与异常搜寻 (10.0%) — 该聚类聚焦发展用于引力波探测、异常检测与大型物理数据集信号搜寻的统计与机器学习方法。
- 物理中的贝叶斯推断与不确定性量化 (7.5%) — 该聚类发展贝叶斯分层模型、不确定性量化与参数估计技术，应用于从核散射到天体物理等物理问题。
- 随机系统中的时间序列分析与因果动力学 (7.3%) — 该聚类分析时间序列数据，以推断随机模型参数、检测时间不对称，并量化金融市场与气候数据等系统中的多重分形性与因果动力学。
- 量子启发的机器学习与纠缠刻画 (5.7%) — 该聚类探索量子纠缠、量子临界现象与量子启发算法，常利用机器学习刻画量子态并改善传感。
每个子方向均通过三章展开论述——它如何提出自己的问题、其关键结论的强度，以及它开放的争论与前沿，从而让读者获得该领域今年实际产出的可溯源图景。
