1592 Arbeiten
Die statistische Mechanik untersucht, wie das chaotische Verhalten von Milliarden winziger Teilchen die großartigen Eigenschaften der Materie erklärt, die wir täglich erleben. Auf dieser Seite finden Sie aktuelle Forschung, die von der Thermodynamik bis zu komplexen Quantensystemen reicht und zeigt, wie mikroskopische Regeln makroskopische Phänomene wie Supraleitung oder Phasenübergänge formen.
Auf Gist.Science durchsuchen wir kontinuierlich arXiv, um jede neue Veröffentlichung in diesem Bereich sofort zu erfassen. Wir bieten nicht nur den originalen wissenschaftlichen Artikel an, sondern verarbeiten jeden Eintrag mit einer verständlichen Zusammenfassung für Laien sowie einer detaillierten technischen Analyse für Experten, damit Sie den Inhalt je nach Bedarf schnell erfassen können.
Nachfolgend finden Sie die neuesten Arbeiten aus der statistischen Mechanik, die wir kürzlich für Sie aufbereitet haben.
Diese Arbeit untersucht die stationären Dichten und Phasenübergänge eines TASEP-Modells mit Langmuir-Kinetik, das an beiden Enden mit einem Reservoir verbunden ist, und zeigt, dass dieses Modell aufgrund der endlichen Ressourcen signifikant andere Phasendiagramme aufweist als das herkömmliche offene TASEP-Modell.
Diese Arbeit präsentiert ein Reinforcement-Learning-Framework zur Modellierung adaptiver Homing-Verhalten in kontinuierlichen Räumen und zeigt, dass durch die Optimierung von stochastischer Reorientierung und Inter-Agenten-Interaktionen effiziente, zielgerichtete Navigation sowohl einzeln als auch kollektiv ermöglicht wird.
Diese Arbeit untersucht das Phänomen des „Uphill-Transports“ (Fluss entgegen dem Konzentrationsgradienten) in kompetitiven Drift-Diffusions-Modellen unter Berücksichtigung von Volumen-Ausschluss-Effekten und schlägt eine Brücke zwischen mikroskopischen Ausschlussprozessen und kontinuierlichen Modellen wie der modifizierten Poisson-Nernst-Planck-Gleichung.
Diese Studie zeigt, dass negative energetische Elastizität eine fundamentale und universelle Eigenschaft von Polymerketten ist, die aus effektiven weich-repulsiven Wechselwirkungen resultiert und durch einen gemeinsamen -Skalierungsexponenten über Übergänge zwischen Random-, Self-Avoiding- und Neighbor-Avoiding-Walks gesteuert wird.
Diese Arbeit zeigt, dass das Family-Vicsek-Skalierungsmodell, das traditionell für klassisches Oberflächenwachstum verwendet wird, universell die Unendlichkeitstemperatur-Dynamik von eindimensionalen $SU(N)$ Quantenspin-Ketten beschreibt, wobei es distinkte ballistische, superdiffusive und diffusive Transportregime offenbart, die durch spezifische dynamische Exponenten charakterisiert sind, welche durch die Integrabilität und die Symmetrieeigenschaften des Systems bestimmt werden.
Dieses Paper generalisiert exponentielle Zufallsgraphmodelle durch die Einführung paarweiser Link-Interaktionen, um eine geschlossene Renormierungsgruppen-Transformation für Netzwerke mit geringer Koordination abzuleiten, wobei es die formale Äquivalenz induzierter Unordnung zu zeitumgekehrter Drift-Diffusion demonstriert und die Langwellen-Irrelevanz bestimmter Konditionierungseffekte für Anwendungen in sozialen, neuronalen und Inferenzproblemen etabliert.
Dieses Paper führt das Tensor Network Dynamical Message Passing (TNDMP) ein, ein neuartiges Framework, das auf der „Susceptible-Induced Factorization“ basiert und den Zielkonflikt zwischen Recheneffizienz und Vorhersagegenauigkeit in der Epidemie Modellierung löst, indem es sowohl exakte als auch skalierbare Algorithmen anbietet, die bestehende Heuristiken übertreffen und diese mathematisch als Niedrigordnungslimits vereinigen.
Diese Arbeit löst das klassische Gibbs-Paradoxon, ohne die quantenmechanische -Korrektur heranzuziehen, indem sie das Prinzip der Gleichverteilung innerhalb eines informationstheoretischen Rahmens anwendet, der die Gibbs-Entropie als Shannon-Entropie interpretiert, und dadurch die Verbindung zwischen Information und extrahierbarer Arbeit in Gasmischungsprozessen klärt.
Diese Arbeit untersucht eine konvektive-viskose Cahn-Hilliard-Gleichung sechster Ordnung, die aus einem modifizierten thermodynamischen Potenzial abgeleitet wurde, leitet exakte statische und wanderwellenartige Lösungen her und analysiert deren Abhängigkeit von Systemparametern.
Diese Studie präsentiert einen Algorithmus für die automatische strukturelle Suche nach Tensornetzwerkzuständen, einschließlich der Entanglement-Renormierung, welcher lokale Strukturen basierend auf variabler Energie optimiert, um die Genauigkeit bei der Darstellung nicht-uniformer verschränkter Zustände zu verbessern, insbesondere wenn diese mit bestehenden Designmethoden wie der Strong Disordered Renormalization Group initialisiert werden.