🔬 Category

physics.comp-ph

903 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.

Electron beam evolution in a successive Compton backscattering

Dieser Beitrag zeigt theoretisch und numerisch, dass sich bei aufeinanderfolgender inverser Compton-Streuung die longitudinale Impulsstreuung eines Elektronenstrahls durch das Gleichgewicht zwischen Quantenanregung und Strahlungsbremsung exponentiell einem Gleichgewichtszustand annähert, was die Notwendigkeit unterstreicht, bei der Konzeption zukünftiger hochbrillanter Röntgen- und Gammastrahlungsquellen die kumulative transversale Dynamik zu berücksichtigen.

D. V. Gavrilenko, A. A. Savchenko, M. N. Strikhanov, A. A. Tishchenko2026-05-26🔬 physics

A Guided Tour of Modern Domain Decomposition: From Schwarz Iterations to Robust Preconditioners and HPC Implementations

Dieses Kapitel bietet einen umfassenden Überblick über moderne Gebietszerlegungsmethoden, verfolgt deren Entwicklung von Schwarz-Iterationen zu robusten Vorkonditionierern für anspruchsvolle Probleme und legt dabei besonderen Wert auf theoretische Einsichten, skalierbare Grobraumkorrekturen und Hochleistungs-Implementierungen.

Victorita Dolean, Pierre Jolivet, Frédéric Nataf, Pierre-Henri Tournier2026-05-26🔬 physics

Learning, locomotion, and navigation of soft synthetic snakes in three-dimensional, heterogeneous environments

Dieser Beitrag stellt ein bio-inspiriertes Reinforcement-Learning-Framework vor, das weiche synthetische Schlangen befähigt, Lokomotionsprimitive in vereinfachtem Gelände zu erlernen und sie zu adaptiven Strategien zu kombinieren, um komplexe, heterogene 3D-Umgebungen, die aus realen Daten rekonstruiert wurden, robust zu navigieren.

Xiaotian Zhang, Ali Albazroun, Tixian Wang, Songyuan Cui, Prashant G. Mehta, Mattia Gazzola2026-05-26🔬 physics

Three-dimensional Anderson localization of light in dielectric disorder

Durch groß angelegte zeitaufgelöste Simulationen dichter, zufälliger Packungen hochbrechender dielektrischer Partikel liefert diese Studie konvergierende dynamische, spektrale und reellraum-basierte Belege für die dreidimensionale Anderson-Lokalisierung von Licht und zeigt, wie sich die Felder im späten Zeitbereich selbstorganisierend in interferenzgetrennte, quasistationäre eingeschlossene Moden ausbilden.

Yevgen Grynko, Jens Förstner2026-05-26🔬 physics.optics

PDEInvBench: A Comprehensive Dataset and Design Space Exploration of Neural Networks for PDE Inverse Problems

Dieser Beitrag stellt PDEInvBench vor, einen umfassenden Benchmark-Datensatz für PDE-Inverse-Probleme, und nutzt ihn, um den Designraum neuronaler Netze zu erkunden, wobei sich zeigt, dass ein zweistufiges Trainingsverfahren, das Parametersupervision mit einer Feinabstimmung des Residuums zur Laufzeit kombiniert, zusammen mit PDE-Ableitungseingaben und diversen Anfangsbedingungen die Leistung bei der Parameterschätzung erheblich verbessert.

Divyam Goel, Nithin Chalapathi, Sanjeev Raja, Aditi S. Krishnapriyan2026-05-26🔬 physics

Why is the strength of an elastomeric polymer network so low?

Grobkörnige Molekulardynamik-Simulationen zeigen, dass elastomere Polymernetzwerke bei Spannungen weit unterhalb der kovalenten Bindungsstärke reißen, weil die Deformation auf einen „minimalen kürzesten Pfad" von Bindungen konzentriert wird, was zum sequenziellen Versagen eines kleinen Anteils dieser kritischen Bindungen führt, anstatt zum gleichzeitigen Bruch des gesamten Netzwerks.

Shaswat Mohanty, Jose Blanchet, Zhigang Suo, Wei Cai2026-05-25🔬 cond-mat.mtrl-sci

WellPINN: Accurate Well Representation for Transient Fluid Pressure Diffusion in Subsurface Reservoirs with Physics-Informed Neural Networks

Dieser Beitrag stellt WellPINN vor, einen neuartigen Workflow, der sequentiell trainierte physikbasierte neuronale Netze auf schrumpfenden Teilbereichen einsetzt, um die Fluiddruckdiffusion um Bohrungen herum während des gesamten Injektionszeitraums präzise zu modellieren und damit frühere Einschränkungen bei der Erfassung der Druckdynamik in der Frühphase zu überwinden.

Linus Walter, Qingkai Kong, Sara Hanson-Hedgecock, Víctor Vilarrasa2026-05-25🤖 cs.LG

Full-Scattering-Matrix Deterministic Phonon Boltzmann Transport Simulation

Dieser Beitrag stellt einen rechnerisch effizienten 3D-Löser für die Phonon-Boltzmann-Transportgleichung vor, der die Einschränkungen der Relaxationszeitnäherung überwindet, indem er die niedrigdimensionale Natur von Nichtgleichgewichtsverteilungen und die selektive Ausrichtung von Streu-Singulärmoden nutzt, um die Effekte der vollständigen Streumatrix in nanoskaligen Bauelementen präzise zu modellieren.

Y. Sungtaek Ju2026-05-25🔬 cond-mat.mes-hall

Vapor-Cell-Induced Uncertainty in Rydberg Atom Measurements via the Electric-Field Volume-Integral-Equation Method

Diese Arbeit nutzt die Volumenintegralgleichungsmethode für das elektrische Feld, um zu zeigen, dass bei Dampfzellen mit einer Größe von weniger als der Hälfte der Wellenlänge die Unsicherheit der relativen Permittivität von Glas die dominierende Fehlerquelle bei der Messung elektrischer Felder mit Rydberg-Atomen darstellt, was eine Gesamtunsicherheit von etwa 3,5 % ergibt, die mit präziseren Permittivitätsdaten auf unter 1 % reduziert werden könnte.

Martin Stumpf, William J. Watterson, Rajavardhan Talashila, Matt T. Simons, Alexandra Artusio-Glimpse, Lawrence Carslake, Tian Hong Loh, Christopher L. Holloway2026-05-25🔬 physics.atom-ph