🔢 Category

math-ph

3366 Arbeiten

Math-Ph bildet das entscheidende Bindeglied zwischen abstrakter Mathematik und den Gesetzen unseres physikalischen Universums. In diesem Bereich werden komplexe mathematische Werkzeuge entwickelt und angewendet, um Phänomene von der Quantenmechanik bis zur Kosmologie präzise zu beschreiben und zu verstehen. Es ist ein Feld, das tiefe theoretische Einsichten mit rigoroser Berechenbarkeit verbindet, um die fundamentalen Strukturen der Natur zu entschlüsseln.

Auf Gist.Science durchlaufen alle neuen Vorabveröffentlichungen aus diesem Bereich, die auf arXiv erscheinen, einen sorgfältigen Bearbeitungsprozess. Wir bieten für jeden Eintrag sowohl eine leicht verständliche Zusammenfassung für ein breites Publikum als auch eine detaillierte technische Analyse für Fachleute an, um sicherzustellen, dass diese wertvollen Erkenntnisse für jeden zugänglich sind.

Im Folgenden finden Sie die neuesten Beiträge aus der Mathematischen Physik, die wir kürzlich aufbereitet haben.

🔢 Mathematik

Hypercontractivity and entropy decay for infinite-dimensional quantum Gibbs samplers

Diese Arbeit etabliert exponentielle relative Entropie-Zerfallsraten für eine breite Klasse unendlichdimensionaler quantenmechanischer Gibbs-Sampler, einschließlich Multimode-Bose-Hubbard- und Coulomb-Gas-Systeme, indem sie eine perturbatieve Stabilitätstheorie für hyperkontraktive Schätzungen und logarithmische Sobolev-Ungleichungen entwickelt, während sie gleichzeitig zeigt, dass eine positive Spektrallücke nicht notwendigerweise eine endliche Zeit-Hyperkontraktivität von L2L^2 nach LpL^p impliziert.

Simon Becker, Cambyse Rouzé, Robert Salzmann2026-10-06
🔢 Mathematik

Finding Gaussian Structure in Bosonic States

Diese Arbeit präsentiert effiziente Protokolle für die agnostische Tomographie reiner bosonischer Gauß-Zustände, die durch die Kombination von Gauß-Messungen mit klassischer robuster Statistik zur Initialisierung und nicht-Gauß-Messungen zur Verfeinerung eine starke polynomielle Laufzeit- und Kopienkomplexität sowohl in hohen als auch in niedrigen Fidelitätsregimen erreichen, während sie gleichzeitig fundamentale Grenzen hinsichtlich der Notwendigkeit von Nicht-Gauß-Messungen und der Unmöglichkeit vollumfänglich polynomiellem Lösungen unter Standard-Komplexitätsannahmen aufzeigen.

Alvan Arulandu, Sitan Chen, Ziyun Chen, Jerry Li, Eric Ma2026-10-06
🔢 Mathematik

Deep-water and shallow-water limits of statistical equilibria for the intermediate long wave equation

Diese Arbeit konstruiert und beweist die Invarianz einer vollständigen Familie verallgemeinerter Gibbs-Maße für die Intermediate Long Wave (ILW)-Gleichung, wobei sie deren Konvergenz zu den entsprechenden Maßen und Dynamiken der Benjamin-Ono- und Korteweg-de-Vries-Gleichungen im Tiefwasser- bzw. Flachwasserlimit nachweist und gleichzeitig einen neuartigen 2-zu-1-Kollaps von Erhaltungssätzen und Maßen im Flachwasserregime aufzeigt.

Andreia Chapouto, Guopeng Li, Tadahiro Oh2026-10-05
🔢 Mathematik

Proof of hiding conjecture in Gaussian boson sampling

Diese Arbeit liefert den ersten strengen Beweis für die „Hiding-Vermutung“ für das Gaussian Boson Sampling mit allen eingesetzten Moden, der etabliert, dass eine kleine Untermatrix einer zufälligen zirkulären orthogonalen Ensemble-Matrix gut durch eine komplex symmetrische Gauß-Matrix approximiert werden kann, wodurch das theoretische Fundament für die klassische Komplexität dieses experimentell realisierten Quantenprotokolls gefestigt wird.

Laura Shou, Sarah H. Miller, Victor Galitski2026-10-05
🔢 Mathematik

Evaluation of Sampling Strategies and Physics-Informed Kolmogorov--Arnold Networks in Unbounded Domains

Diese Arbeit bewertet physik-informierte Lernstrategien für inverse PDE-Probleme in unbeschränkten Gebieten und zeigt auf, dass Gauß- und Exponential-Sampling-Verteilungen die Rekonstruktionsgenauigkeit im Fernfeld verbessern, während Kolmogorov–Arnold-Netzwerke (PIKANS) eine vergleichbare oder überlegene Genauigkeit mit weniger Neuronen als traditionelle MLPs erreichen, wenn auch bei einem höheren Rechenaufwand.

Gregorio Pérez-Bernal, Oscar Rincón-Cardeño, Silvana Montoya-Noguera, Nicolás Guarín-Zapata2026-10-05
🔢 Mathematik

A coupled geometric surface and surface reaction-diffusion framework for modelling nuclear mechanics during confined cell migration

Diese Arbeit präsentiert ein gekoppeltes geometrisches Oberflächen- und Oberflächenreaktions-Diffusions-Framework, das erfolgreich modelliert, wie die epigenetische Regulation von H3K9me3 durch SETDB1 und SUV39H1 die Kernmechanik und die Migrationsbeginnzeiten in eingeschlossenen Lungenkrebszellen beeinflusst.

Francesca Ballatore, Silvia Comunian, Anotida Madzvamuse, Slimane Ait-Si-Ali, Rachele Allena2026-10-05
🔢 Mathematik

Asymptotic approximation of sensitivities in finite dimensional continuous data assimilation with application to parameter estimation

Diese Arbeit liefert eine rigorose Begründung für einen Algorithmus zur Parameterschätzung, der kontinuierliche Datenassimilation mit generischer Optimierung koppelt, indem sie eine asymptotische Sensitivitätsapproximation sowie eine approximative Polyak-Lojasiewicz-Ungleichung für eindimensionale Systeme nachweist und dadurch die Konvergenz des Gradientenabstiegs etabliert.

Joshua Newey, Jared P. Whitehead2026-10-05
🔢 Mathematik

Döblin--Fourier cancellation and kinetic Aleksandrov estimates

Diese Arbeit etabliert einen neuartigen Auslöschungsmechanismus für lineare kinetische Gleichungen zweiter Ordnung mit messbaren, gleichmäßig elliptischen Koeffizienten, was einen exponentiellen Fourier-Zerfall, verstärkte Dissipation und optimale kinetische Aleksandrov-Abschätzungen liefert, die die ersten Zerfallsresultate für solche Gleichungen mit rauen Koeffizienten bereitstellen.

Amélie Loher, Connor Mooney, Clément Mouhot2026-10-05
🔢 Mathematik

S2^{2}-PINN: Stochastic Separable Physics-Informed Neural Networks

Dieses Paper führt S2^{2}-PINN ein, ein stochastisches separierbares physik-informiertes neuronales Netzwerk, das eine Niedrigrang-Tensorzerlegung lernbarer räumlicher, zeitlicher und stochastischer Basen nutzt, um die Unsicherheit in zufälligen partiellen Differentialgleichungen effizient und genau zu quantifizieren, während es gleichzeitig den Fluch der Dimensionalität überwindet und bestehende Baselines übertrifft.

Zhendong Li, Akwum Onwunta2026-10-05