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.

General perturbative framework for kinetics of rare transitions in 1-dimensional active particle systems

Die Arbeit stellt ein allgemeines störungstheoretisches Rahmenwerk vor, das mithilfe einer Projektionsoperator-Methode analytische Ausdrücke für die Raten seltener Übergänge in eindimensionalen aktiven Teilchensystemen über den gesamten Bereich der Persistenzzeiten liefert und dabei durch numerische Simulationen validiert wird.

Vito Seinen, Peter G. Bolhuis, Daan Crommelin, Sara Jabbari Farouji, Michel Mandjes2026-04-20🔬 cond-mat

On the role of the slowest observable in one-dimensional Markov processes to construct quasi-exactly-solvable generators with N=2N=2 explicit levels

Der Artikel zeigt, dass die Konstruktion von quasi-exakt lösbaren Generatoren mit zwei expliziten Energieniveaus aus der Perspektive eindimensionaler Markov-Prozesse intuitiver und technischer einfacher ist, wenn die langsamste Observable als zentrales Objekt dient, von dem aus alle anderen Eigenschaften rekonstruiert werden können.

Cecile Monthus2026-04-20🔬 cond-mat

Discovering quantum phenomena with Interpretable Machine Learning

Dieses Paper stellt ein interpretierbares Machine-Learning-Framework vor, das auf Variational Autoencodern und symbolischen Methoden basiert, um aus verschiedenen ungelabelten Quantendaten physikalisch sinnvolle Darstellungen und Ordnungsparameter zu extrahieren und dabei neue Phänomene wie ein Eckenordnungs-Muster in Rydberg-Atom-Arrays aufzudecken.

Paulin de Schoulepnikoff, Hendrik Poulsen Nautrup, Hans J. Briegel, Gorka Muñoz-Gil2026-04-20⚛️ quant-ph