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.
Dieser Beitrag untersucht einen alternativen Pfadsuchansatz unter Verwendung des A*-Algorithmus zur Berechnung des minimalgewichteten Matching-Zentrosymmetrieparameters und bietet eine potenzielle Lösung für die Mängel bestehender Methoden zur Analyse molekularer Dynamik.
Dieser Beitrag stellt eine vereinheitlichte gaskinetische Wellen-Teilchen-Methode (UGKWP) zur Simulation von Mehrskalen-Gasmischungen aus zwei Spezies vor, die durch die Integration eines korrigierten Gleichgewichtsmodells, einer auf dem Shakhov-Modell basierenden Prandtl-Zahl-Korrektur sowie verbesserter Teilchentransportmechanismen spezifische Geschwindigkeits- und Temperaturunterschiede der einzelnen Spezies über den gesamten Bereich von Kontinuums- bis hin zu verdünnten Strömungen präzise erfasst und gleichzeitig eine starke Übereinstimmung mit DSMC-Ergebnissen für hypersonische Strömungen nachweist.
Diese Studie kombiniert DFT-Rechnungen aus ersten Prinzipien mit Experimenten zur Temperung unter extrem hohem Druck, um nachzuweisen, dass die Siliziumdiffusion in Galliumnitrid aufgrund prohibitiv hoher Aktivierungsbarrieren extrem begrenzt ist, wodurch die Stabilität des Materials für eine präzise Dotierung in fortschrittlichen elektronischen Anwendungen bestätigt wird.
Diese Studie zeigt, dass maschinell erlernte Kraftfelder, die auf Coupled-Cluster-Daten trainiert und durch Delta-Learning sowie ladungsbewusste Ansätze zur Bewältigung langreichweitiger Effekte und Datenbeschränkungen verbessert wurden, im Vergleich zur traditionellen Dichtefunktionaltheorie eine überlegene Genauigkeit bei der Vorhersage von Phononendispersionen und anharmonischen Schwingungseigenschaften für Diamant und Lithiumhydrid erreichen.
Forscher haben erstmals einen universellen Quantencomputer mit 50 Qubits auf Europas JUPITER-Exascale-Supercomputer erfolgreich simuliert, indem sie dessen heterogene GH200-Architektur durch drei Schlüsselinnovationen nutzten: erweiterte Speichernutzung über CPU-GPU-Verbindungen, adaptive Datenkodierung und einen Netzwerkverkehrsoptimierer in Echtzeit, wodurch eine 16,6-fache Beschleunigung gegenüber früheren Rekorden erreicht wurde.
Dieser Artikel zeigt, dass die Integration einer Label-Projektion und eines neuartigen Embedding-Netzwerks in konditionale generative adversarielle Netzwerke die Effizienz und Genauigkeit des inversen Designs plasmonischer Nanostrukturen aus Extinktionsquerschnittsspektren erheblich verbessert, wobei eine Fehlerreduktion um eine Größenordnung und eine schnellere Konvergenz über verschiedene Architekturen hinweg erreicht werden.
Dieser Beitrag stellt ein physik-informiertes Framework für Convolutional Neural Networks vor, das durch die Integration physikalischer Randbedingungen in den Trainingsprozess die Vorhersage von Geschwindigkeitsfeldern auf Porenskala in komplexen porösen Medien präzise ermöglicht und dadurch eine signifikante Beschleunigung von Lattice-Boltzmann-Simulationen durch verbesserte Anfangsbedingungen erlaubt.
Dieser Beitrag zeigt, dass multimodale große Sprachmodelle Miller-Indizes als strukturierte latente Variablen effektiv nutzen können, um über Bruchgeometrien zu schlussfolgern, in idealisierten Szenarien zuverlässig Plattenhypothesen ableiten und solche Darstellungen korrekt verwerfen können, wenn die zugrundeliegende Physik sie über diverse Materialklassen hinweg nicht stützt.
Dieser Beitrag stellt Lumina vor, ein modulares, auf Python basierendes Framework, das fragmentierte multiskalige Materialdaten für extreme aero-chemo-thermomechanische Regime in ein zentralisiertes, KI-gestütztes Ökosystem integriert, um das experimentelle Design zu straffen, chemische Verhaltensweisen zu validieren und die prädiktive Modellierung für fortschrittliche Verteidigungs- und Luft- und Raumfahrtanwendungen zu verbessern.
Dieser Beitrag stellt ein windrelatives Reinforcement-Learning-Framework für die olfaktorische Navigation in turbulenten Umgebungen vor und zeigt, dass ein Agent, der ausschließlich die Zeit seit der letzten Geruchserkennung und eine lokal geschätzte Windrichtung nutzt, traditionelle Strategien übertreffen und sein Verhalten sowohl bei mittlerem Wind als auch bei isotroper Turbulenz in Abhängigkeit von der Qualität der Windabschätzung anpassen kann.