886 Arbeiten
Die Computergestützte Physik verbindet die Gesetze der Natur mit der Rechenkraft moderner Computer, um komplexe Phänomene zu simulieren, die im Labor schwer zu beobachten sind. Von der Strömungsdynamik bis zur Quantenmechanik nutzen Forscher hier Algorithmen, um tiefe Einblicke in das Verhalten von Materie und Energie zu gewinnen.
Auf Gist.Science durchsuchen wir täglich die neuesten Vorabveröffentlichungen auf arXiv in diesem Bereich. Für jedes neu eingereichte Papier erstellen wir sowohl eine verständliche Zusammenfassung für ein breites Publikum als auch eine detaillierte technische Analyse, damit die neuesten Durchbrüche für alle zugänglich sind.
Hier finden Sie die aktuellsten Forschungsarbeiten aus dem Feld der computergestützten Physik, die wir für Sie aufbereitet haben.
Dieser Artikel stellt eine exakte mathematische Korrespondenz zwischen dem Training von Deep-Learning-Modellen und Anfangswertproblemen der Hamilton-Jacobi-Gleichung her, vereint neuronale Netzarchitekturen, tropische Algebra, viskose partielle Differentialgleichungen und konvexe Optimierung unter einem einzigen Deformationsparameter, um präzise theoretische Erkenntnisse zu Generalisierung, Robustheit und Attribution abzuleiten.
Dieser Beitrag schlägt einen hybriden quanten-klassischen Variationsalgorithmus vor, der Polynomanäherungen der Verzerrungsenergiedichte nutzt, um nichtlineare Finite-Elemente-Probleme für hyperelastische Materialien auf kurzfristigen Quantengeräten zu lösen, und demonstriert seine Machbarkeit durch numerische Experimente an einem eindimensionalen Neo-Hookean-Modell.
Dieser Beitrag stellt WF-Bench vor, einen umfassenden Benchmark-Datensatz und ein Protokoll, das die Ausdruckskraft von Neuronen-Netzwerk-Wellenfunktionen über diverse Quanten-Vielteilchensysteme hinweg bewertet, empirische Skalierungsgesetze aufdeckt und einen einheitlichen Rahmen für den Vergleich von Architekturen wie Psiformer und Ferminet etabliert.
Dieser Artikel offenbart einen weitgehend systemspezifischen Potenzgesetz-Zusammenhang zwischen der Kopplungsstärke, die erforderlich ist, um extreme Ereignisse in vernetzten dynamischen Systemen auszulösen, und den topologischen oder spektralen Eigenschaften ihrer Kopplungsstrukturen.
Dieser Beitrag stellt ein synergistisches Framework vor, das grobkörnige Simulationen, experimentelle Rheologie und maschinelles Lernen kombiniert, um den Designraum von DNA-basierten weichen Materie-Fluiden effizient zu kartieren und damit die rationale und beschleunigte Entdeckung von Materialien mit maßgeschneiderten makroskopischen rheologischen Eigenschaften zu ermöglichen.
Dieser Artikel zeigt, dass syntaktische und semantische Informationen im DeepSeek-V3-LLM teilweise linear kodiert und über die Schichten hinweg unterschiedlich verteilt sind, wie die Möglichkeit belegt, diese Signale durch die Subtraktion durchschnittlicher Repräsentationszentroide zu entkoppeln.
GenSBI ist eine neue Open-Source-JAX-Bibliothek, die Flow Matching, Score Matching und Denoising-Diffusionsmodelle mit transformerbasierten Architekturen implementiert, um einen nativen, durchgängigen simulationsbasierten Inferenzrahmen für Forscher zu bieten, die JAX verwenden, und erreicht hohe Genauigkeit sowie gut kalibrierte Posteriorverteilungen auf Standard-Benchmarks.
Dieser Artikel stellt eine hybride Volume-of-Fluid-Phasenfeld-Methode mit adaptiver Gitterverfeinerung für direkte numerische Simulationen von löslichen Tensid-beladenen Strömungen vor, die die Kopplung zwischen Volumen- und Grenzflächentransport präzise erfasst, um zu zeigen, wie Marangoni-Spannungen die Aufstiegsdynamik von Blasen in dreidimensionalen Geometrien erheblich verändern.
Dieser Beitrag stellt einen Reinforcement-Learning-Ansatz vor, der mit neuronalen Netzwerk-Surrogatmodellen kombiniert wird, um Mehrgruppen-Energiestrukturen für eindimensionale sphärische k-Kritikalitäts-Neutronentransportprobleme zu optimieren, wobei eine Genauigkeit erreicht wird, die mit bestehenden Methoden vergleichbar ist oder diese übertrifft, während gleichzeitig eine größere Flexibilität und Recheneffizienz geboten wird.
Dieser Beitrag stellt ein filterunterstütztes, auf Stichproben basierendes Quantendiagonalisierungsprotokoll vor, das die Wellenfunktions-Sparsity durch einen tensornetzwerk-optimierten Quantenfilter gestaltet, um die Einschränkungen der Stichprobeneffizienz bestehender Methoden zu überwinden und dadurch die Energieabschätzungsfehler sowie den Stichprobenaufwand für stark korrelierte Systeme erheblich zu reduzieren.