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 stellt einen neuartigen physikbasierten aktiven Lernalgorithmus vor, der Residuen partieller Differentialgleichungen nutzt, um die Datenauswahl zu steuern, was die Dateneffizienz des Trainings neuronaler Operatoren zur Lösung partieller Differentialgleichungen erheblich verbessert und gleichzeitig physikalische induktive Verzerrungen in den Prozess einbringt.
Diese Studie stellt ein umfassendes numerisches Framework vor, das auf einer selbstkonsistenten Phononenrenormierung und einer Anharmonizität vierter Ordnung basiert, um die thermischen und thermodynamischen Eigenschaften von Isolatoren präzise zu berechnen, indem sie die Grenzen traditioneller störungstheoretischer Methoden überwindet, indem Phononen als temperaturabhängige Quasiteilchen behandelt werden.
Dieser Artikel stellt die ersten nicht-asymptotischen Orakel-Komplexitätsschranken für die Schätzung der Normalisierungskonstante mittels getemperter Importance-Sampling-Methoden auf, die ohne isoperimetrische Annahmen auskommen, und schlägt einen neuartigen Reverse-Diffusion-Sampler vor, um die Einschränkungen der traditionellen geometrischen Interpolation in multimodalen Settings zu überwinden.
Diese Arbeit stellt ein transparentes, kodierungsunabhängiges Framework vor, das Ressourcenanzahlen und Hardware-Benchmarks nutzt, um zu zeigen, dass die Erreichung einer frühen Quantennützlichkeit für das Kapazitierte Fahrzeugroutingproblem (CVRP) auf NISQ-Geräten derzeit unwahrscheinlich ist, wobei sich ein massiver Qubit-Vorteil für Kodierungen höherer Ordnung gegenüber direkten QUBO-Mappings offenbart, während gleichzeitig darauf hingewiesen wird, dass innovative Problemdekomposition für einen zukünftigen Quantenvorteil unerlässlich ist.
Dieser Beitrag stellt ein datengesteuertes Framework vor, das die Mikrostruktur als stochastischen Prozess modelliert, um eine niedrigdimensionale, invertierbare Materialmannigfaltigkeit zu konstruieren, wodurch Prozessbedingungen erfolgreich mit mikrostrukturellen Ergebnissen verknüpft und eine beschleunigte, geschlossene Materialentwicklung ermöglicht werden.
Dieser Beitrag stellt eine kinetische Schließung für die gefilterte Boltzmann--BGK-Gleichung vor, die turbulente Subfilter-Effekte durch einen verallgemeinerten Kollisionsoperator modelliert, ohne eine Skalentrennung oder einen Smagorinsky-artigen Ansatz zu erfordern, und zeigt in numerischen Tests im Vergleich zu klassischen Ansätzen eine verbesserte Stabilität und eine reduzierte Dissipation.
Dieser Beitrag stellt den Walsh-Hadamard-Neural-Operator (WHNO) vor, eine neuartige Architektur, die Walsh-Hadamard-Transformationen nutzt, um partielle Differentialgleichungen mit unstetigen Koeffizienten effektiv zu lösen, indem sie die Einschränkungen Fourier-basierter Methoden überwindet, und zeigt, dass die Kombination von WHNO mit Fourier-Neural-Operatoren in einem Ensemble eine deutlich überlegene Genauigkeit bei der Erfassung sowohl scharfer Grenzflächen als auch glatter Merkmale liefert.
Der Artikel stellt SCULPT vor, eine interaktive, webbasierte Plattform für maschinelles Lernen, die fortschrittliche Techniken wie UMAP und adaptive Konfidenzbewertung nutzt, um hochdimensionale Multi-Partikel-Koinzidenzdaten aus COLTRIMS-Experimenten zu analysieren und damit die effiziente Entdeckung seltener Ereignisse und Korrelationen in der Atom- und Molekülphysik ermöglicht.
NORi ist eine neuartige, physikbasierte Parametrisierung des maschinellen Lernens, die neuronale gewöhnliche Differentialgleichungen mit einem vom Richardson-Zahl abhängigen Abschlussschema kombiniert, um Turbulenzen und Entrainment-Dynamiken der ozeanischen Grenzschicht in Klimamodellen präzise und stabil zu simulieren, wobei sie traditionelle Methoden übertrifft, nur minimale Trainingsdaten erfordert und eine langfristige numerische Stabilität gewährleistet.
Dieser Artikel zeigt, dass die Netzwerktopologie als rekonfigurierbarer Designparameter für aufgaben spezifische Berechnungen dient und die programmierbare Steuerung chaotischer Dynamiken in neuronalen Schaltkreisen durch Kanten-Umschaltung ermöglicht, um die Leistung des Reservoir-Computings zu optimieren.