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 das Ray-Column-IPRM vor, ein struktur-basiertes Turbulenzmodell, das radiale spektrale Skaleninformationen wiederherstellt, indem es bedingte Zustände auf endliche Wellenzahlbänder projiziert und dadurch im Vergleich zu traditionellen ausschließlich orientierungsbasierten Ansätzen genauere Schließungsbewertungen sowie die Bildung gefilterter Beobachtungsgrößen ermöglicht.
Diese Studie zeigt, dass die Verwendung von zweifarbigen Laguerre-Gaussian-Laserpulsen zur Anregung von Plasma-Wakefields ihre Topologie grundlegend verändert, indem longitudinale Feldenergie außerhalb der Achse in hohle, ringförmige Strukturen umverteilt wird, wodurch neue Mechanismen zur Steuerung der transversalen Plasmadynamik ermöglicht und eine Beschleunigung von Teilchen außerhalb der Achse realisiert werden.
Dieser Artikel schlägt eine rechnerische Methode vor, die auf einem physik-informierten neuronalen Netzwerk (PINN) basiert und direkt zeitperiodische Strömungszustände löst, indem sie über einen einzigen Zeitraum optimiert, anstatt transiente Anfangsbedingungen zu simulieren, wodurch eine erhebliche Verkürzung der Rechenzeit bei gleichzeitiger Beibehaltung einer Genauigkeit erreicht wird, die mit traditionellen netzbasierten Lösern vergleichbar ist.
Dieser Beitrag stellt ein numerisch stabiles Werkzeug der Momentenmethode zur Simulation von S-Parametern von mehrschichtigen, abgeschirmten Leiterplatten vor, das eine S-Matrix-Formulierung zur Herleitung der vollständigen dyadischen Greenschen Funktion mit verschiedenen Basisfunktionen zur Modellierung sowohl transversaler als auch longitudinaler Ströme kombiniert.
Mittels variationsbasierter Monte-Carlo-Methoden mit neuronalen Quantenzuständen analysiert diese Studie den nahen Kernbereich der Hamiltonschen Nebenbedingung in der reduzierten Schleifenquantengravitation und identifiziert drei verschiedene Klassen von Lösungen, darunter einen faktorisierten Zweig, der präzise durch emergente semiklassische Thiemann-Kohärentzustände beschrieben wird.
Dieser Beitrag stellt eine neuartige MPI-basierte Methode zur Konstruktion und Simulation großskaliger spikender neuronaler Netzwerke auf Multi-GPU-Clustern und Exascale-Supercomputern vor, die durch optimierte lokale Konnektivität und Spike-Austauschstrategien eine effiziente Skalierung für komplexe kortikale Modelle demonstriert.
Dieser Beitrag stellt den symplektischen neuronalen Operator vor, eine neuartige Architektur, die die intrinsische symplektische Struktur unendlichdimensionaler Hamiltonscher Systeme erhält, um im Vergleich zu herkömmlichen datengesteuerten Modellen eine rigorose Langzeitstabilität und eine verbesserte Energieerhaltung zu gewährleisten.
Die Arbeit stellt das Quantum Feature Amplification Network (QFAN) vor, ein autoregressives quantenmechanisches Generativmodell, das den Engpass der Registergröße bei der Simulation von Kalorimeter-Schauer durch die Generierung von Bildern als Sequenzen von Blöcken unter Verwendung eines Quantenschaltkreises fester Größe überwindet und erfolgreich seine Fähigkeit nachweist, wesentliche physikalische Verteilungen sowohl auf Simulatoren als auch auf IBM-Quantenhardware nachzubilden.
Dieser Beitrag stellt eine hocheffiziente, Multi-GPU-beschleunigte Implementierung des Diskontinuierlichen-Galerkin-Ozeanmodells SLIM vor, die massive Beschleunigungen gegenüber CPU-basierten Systemen erzielt und ultra-hochauflösende Küstensimulationen ermöglicht, wie beispielsweise eine fünfmalige Auflösungsverbesserung für das Great Barrier Reef.
Diese Arbeit zeigt, wie die Kombination eines generativen KI-Coding-Agenten mit einem von einem LLM gesteuerten Baum-Suchalgorithmus autonom optimierte dreidimensionale Photovoltaikstrukturen entdecken kann, sofern das System physikalische Randbedingungen iterativ korrigiert, um algorithmisches Reward-Hacking zu eliminieren und physikalisch gültige Lösungen sicherzustellen.