🔬 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.

Fast and Accurate Prediction of Lattice Thermal Conductivity via Machine Learning Surrogates

Diese Arbeit bewertet 15 maschinelle Lern-Surrogatmodelle an einer großen Phonix-Datenbank zur Vorhersage der Gitterwärmeleitfähigkeit und zeigt, dass zwar MLIP-eingebettete Modelle bei der Interpolation überlegen sind, tiefe neuronale Netze wie ALiEGNN jedoch eine überlegene Robustheit für die Extrapolation außerhalb der Verteilung bieten, wodurch eine effiziente Hochdurchsatz-Screening von Thermoelektrika zu einem Bruchteil der Rechenkosten von Erstprinzipien-Simulationen ermöglicht wird.

Zeyu Wang, Shuya Yamazaki, Martin Hoffmann Petersen, Masato Ohnishi, Tomiya Yamamoto, Wei Nong, Jianghai Wang, Ruiming Zhu, Masatoshi Hanai, Michimasa Morita, Toyotaro Suzumura, Zekun Ren, Junichiro S (…)2026-05-13🔬 cond-mat.mtrl-sci

Designing Coulombic Contact Interactions between Polarizable Particles through Asymmetry

Diese Arbeit zeigt, dass durch die gemeinsame Einstellung von Größe, Ladung und dielektrischen Asymmetrien polarisierbarer Partikel komplexe kontakt-elektrostatische Wechselwirkungen so gestaltet werden können, dass sie auf ein einfaches Coulomb-Verhalten reduziert werden, wodurch die Entwicklung selbstorganisierender Materialien mit vorhersagbaren Strukturen ermöglicht wird.

Yanyu Duan, Zecheng Gan2026-05-13🔬 cond-mat

Bayesian Reasoning for Physics Informed Neural Networks

Dieser Beitrag stellt eine evidenzbasierte bayessche Formulierung von physik-informierten neuronalen Netzen vor, die eine Laplace-Näherung zur analytischen Berechnung der Modell-Evidenz nutzt und damit eine effiziente, stichprobenfreie automatische Optimierung der Verlustgewichte sowie eine Unsicherheitsquantifizierung über verschiedene partielle Differentialgleichungen hinweg ermöglicht.

Krzysztof M. Graczyk, Kornel Witkowski2026-05-12🔬 physics

Acoustics-based Active Control of Unsteady Flow Dynamics using Reinforcement Learning Driven Synthetic Jets

Dieser Beitrag stellt ein Deep-Reinforcement-Learning-Framework vor, das Fernfeld-Akustikmessungen als primäres Rückkopplungssignal nutzt, um die synthetische Strahlungsanregung zu steuern, wodurch die instationären Nachlaufdynamiken hinter einem zylindrischen Körper erfolgreich unterdrückt sowie signifikante Reduktionen des abgestrahlten Schalls und des Widerstands erreicht werden, ohne auf herkömmliche Geschwindigkeits- oder Drucksensoren zurückzugreifen.

Siddharth Rout, Khai Phan, Chao-An Lin2026-05-12🔬 physics.app-ph

Diagnosing phase transitions through time-scale entanglement

Dieser Beitrag führt die Zeit-Skala-Verschränkung ein, eine neuartige Form der Verschränkung zwischen imaginären Zeitskalen, die über Quanten-Tensor-Train-Diagnostik (QTTD) zugänglich ist, als universellen und unverzerrten Indikator, der in der Nähe von Phasenübergängen generisch verstärkt wird und an quantenkritischen Punkten skaleninvariant wird.

Stefan Rohshap, Hirone Ishida, Frederic Bippus, Leonard M. Verhoff, Anna Kauch, Karsten Held, Hiroshi Shinaoka, Markus Wallerberger2026-05-12🔬 cond-mat

A Quantum Linear Systems Pathway for Solving Differential Equations

Dieser Beitrag stellt einen systematischen Quantenpfad zur Lösung von Differentialgleichungen vor, der Block-Encoding mit der Quanten-Singularwerttransformation (QSVT) kombiniert, seine Anwendung auf die Wärmeleitungs- und die Burgers-Gleichung demonstriert und kritische Abschätzungen der Hardware-Ressourcen sowie Skalierungsanalysen liefert, die aktuelle Grenzen und zukünftige Richtungen für die Erreichung eines Quantenvorteils aufzeigen.

Abhishek Setty2026-05-12⚛️ quant-ph

Consistent Projection of Langevin Dynamics: Preserving Thermodynamics and Kinetics in Coarse-Grained Models

Dieser Beitrag stellt ein projektionsbasiertes Formalismus zur Grobkörnigung unterdämpfter Langevin-Dynamik vor, der die Extended Dynamic Mode Decomposition des Generators (gEDMD) und thermodynamische Interpolation integriert, um sowohl die thermodynamischen als auch die kinetischen Eigenschaften komplexer Mehrskalen-Systeme über verschiedene thermodynamische Zustände hinweg präzise zu erhalten.

Vahid Nateghi, Lara Neureither, Selma Moqvist, Carsten Hartmann, Simon Olsson, Feliks Nüske2026-05-12🔬 physics

Crystal Fractional Graph Neural Network for Energy Prediction of High-Entropy Alloys

Dieser Artikel schlägt ein kristallfraktionales Graph-Neuronales Netzwerk vor, das die Analyse lokaler atomarer Umgebungen mittels Graph-Aufmerksamkeitsmechanismen mit globalen Zusammensetzungsdaten kombiniert, um die Energie von Hochentropielegierungen präzise vorherzusagen, wobei auf einem Datensatz von über 1.000 Strukturen eine Genauigkeit auf dem Niveau von Erstprinzipien erreicht wird, während gleichzeitig die aktuellen Einschränkungen bei großen Kristallzellen anerkannt werden.

Takanori Kotama, Yang Huang2026-05-12🔬 physics