🔬 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.

When Attention Beats Fourier: Multi-Scale Transformers for PDE Solving on Irregular Domains

Dieser Beitrag stellt den Multi-Scale Attention Transformer (MSAT) vor und zeigt durch umfassende empirische und theoretische Analysen, dass auf Aufmerksamkeit basierende Architekturen Fourier-Domain-Operatoren bei der Lösung von PDEs auf irregulären Gebieten übertreffen, während gleichzeitig ein kritischer Zielkonflikt etabliert wird, bei dem physikinformierte Regularisierung diffusionsdominierte Probleme verbessert, aber die Leistung in chaotischen Regimen verschlechtert.

Brandon Yee, Pairie Koh, Jack Rodriguez, Mihir Tekal2026-05-12🤖 cs.LG

A meshfree exterior calculus for generalizable and data-efficient learning of physics from point clouds

Dieser Beitrag stellt MEEC-Net vor, ein dateneffizientes, meshfreies neuronales Netzwerk, das ein neuartiges Rahmenwerk der äußeren Kalkulation nutzt, um strukturerhaltende Physik auf Punktwolken zu erlernen und damit im Vergleich zu bestehenden neuronalen Operator-Baselines eine überlegene Generalisierung außerhalb der Trainingsverteilung über Geometrien und Parameter hinweg erzielt.

Benjamin D. Shaffer, Brooks Kinch, M. Ani Hsieh, Nathaniel Trask2026-05-12🔬 physics

CrystalREPA: Transferring Physical Priors from Universal MLIPs to Crystal Generative Models

CrystalREPA ist ein Plug-and-Play-Framework, das die Stabilität, Validität und Genauigkeit generierter Kristalle verbessert, indem es Repräsentationen generativer Modelle durch ein kontrastives Lernziel mit eingefrorenen universellen maschinellen Lern-Interatompotentialen (MLIPs) abgleicht und dabei aufzeigt, dass die Effektivität eines MLIPs für Transferaufgaben stärker von seiner Repräsentationsunterscheidbarkeit abhängt als von seinen Standardgenauigkeitsbenchmarks.

Chengqian Zhang, Yucheng Jin, Duo Zhang, Tiejun Li, Han Wang2026-05-12🔬 cond-mat.mtrl-sci

Nonlinear GENERIC Informed Neural Networks (N-GINNs): learning GENERIC dynamics with non-quadratic dissipation potentials

Dieser Beitrag stellt nichtlineare GENERIC-gesteuerte neuronale Netze (N-GINNs) vor, ein Deep-Learning-Framework, das durch konvexe Dissipationspotenziale thermodynamische Konsistenz erzwingt, um Evolutionsgleichungen für Systeme mit sowohl konservativer Dynamik als auch nicht-quadratischer Dissipation präzise zu identifizieren.

Vojtěch Votruba, Zequn He, Weilun Qiu, Celia Reina, Michal Pavelka2026-05-12🔬 physics

Constitutive Priors for Inverse Design

Dieser Beitrag stellt ein durchgängiges Framework für das inverse Design elastischer Netzwerke vor, das räumlich variierende Materialeigenschaften im Raum konstitutiver Verhaltensweisen optimiert, indem es einen thermodynamisch konsistenten latenten Prior, homotopiebasierte Fortsetzung und Glättungsbedingungen für neuronale Netze nutzt, um PDE-geschränkte Optimierungsprobleme robust zu lösen, ohne eine Gitterkorrespondenz zu erfordern.

Jinkyo Han, Bahador Bahmani2026-05-12🔬 physics

Teaching Molecular Dynamics to a Non-Autoregressive Ionic Transport Predictor

Dieser Artikel schlägt ein nicht-autoregressives Lernframework vor, das atomare Trajektorien während des Trainings als zusätzliche Modalität nutzt, um eine schnelle, genaue und dynamische Vorhersage des ionischen Transports aus statischen Strukturen zu ermöglichen, ohne dass zum Inferenzzeitpunkt sequenzielle Inferenz oder Trajektoriendaten erforderlich sind.

Jiyeon Kim, Byungju Lee, Won-Yong Shin2026-05-12🔬 physics.atom-ph

Classification of Chimera States via Fourier Analysis and Unsupervised Learning

Dieser Artikel schlägt eine neuartige Methode vor, die Fourier-Analyse und unüberwachtes Clustering normalisierter Totalvariationen kombiniert, um verschiedene Arten von Chimärenzuständen in Netzwerken gekoppelter Rayleigh-Oszillatoren präzise zu detektieren und zu klassifizieren und dabei die Grenzen bestehender Detektionstechniken zu überwinden.

Rommel Tchinda Djeudjo, Riccardo Muolo, Thierry Njougouo, Timoteo Carletti2026-05-12🌀 nlin

Accuracy assessment of scalar wave propagation methods for diffractive optics design: from thin elements to thick binary grating

Dieser Beitrag bewertet systematisch die Genauigkeit der Näherung dünner Elemente sowie der Strahl- und Wellenausbreitungsmethoden anhand einer rigorosen Referenz für binäre diffraktive Gitter und erstellt Genauigkeitskarten, um die Auswahl geeigneter Vorwärtsmodelle in inversen Entwurfsprozessen auf Basis der räumlichen Frequenz und der Gitterdicke zu leiten.

Nicolas Barré2026-05-12🔬 physics.optics

Fast Evaluation of the Azimuthal Fourier Modes of the 3D Helmholtz Green's Function and Their Derivatives

Dieser Beitrag stellt einen O(M)O(M)-Algorithmus vor, der durch die Kombination von Konturdeformation mit stabilen Rekursionsrelationen die azimutalen Fourier-Moden der dreidimensionalen Helmholtz-Greenschen Funktion und deren Ableitungen für jede reelle Wellenzahl effizient und genau auswertet und damit Hochleistungs-Simulationen der axialsymmetrischen akustischen Streuung ermöglicht.

Hanwen Zhang2026-05-12🔬 physics